Escolar Documentos
Profissional Documentos
Cultura Documentos
Disserta Assinatura
Disserta Assinatura
Disserta Assinatura
DISSERTAÇÃO DE MESTRADO
JOÃO PESSOA
2023
Átila de Souza Medeiros
João Pessoa
2023
Dados Internacionais de Catalogação na Publicação (CIP)
Biblioteca Nilo Peçanha do IFPB, campus João Pessoa
CDU 628.17:004(043)
IFPB - PPGTI
IFPB - PPGTI
IFPB - PPGTI
UFPB
João Pessoa/2023
Este documento foi emi do pelo SUAP em 13/02/2023. Para comprovar sua auten cidade, faça a leitura do QRCode ao lado ou acesse h ps://suap.ifpb.edu.br/auten car-
documento/ e forneça os dados abaixo:
Código 388753
Verificador: 14cb8bed69
Código de Autenticação:
Av. Primeiro de Maio, 720, Jaguaribe, JOÃO PESSOA / PB, CEP 58015-435
http://ifpb.edu.br - (83) 3612-1200
Este trabalho é dedicado às crianças adultas que,
quando pequenas, sonharam em se tornar cientistas.
RESUMO
A escassez de recursos hídricos é uma realidade que assola diversos países no mundo e tende a
se agravar nos próximos anos em virtude do crescimento populacional, das mudanças climáticas
e da má gestão dos sistemas de distribuição de água, principalmente em países subdesenvolvidos,
no qual os índices de perdas de água potável nesses sistemas são alarmantes. No Brasil, dados do
Sistema Nacional de Informações sobre Saneamento (SNIS) informam que o indicador médio
de perda de água potável não contabilizada ou perdida na distribuição em 2021 chegou ao
impactante índice de 40,14%, ou seja, a cada 100 litros de água tratada, mais de 40 litros são
desperdiçados ao longo do sistema de distribuição de água. Uma saída para melhorar a gestão
dos recursos hídricos e reduzir indicadores de perdas em sistemas de distribuição de água está
em soluções IoT (Internet of Things) de sistemas de monitoramento e “medição inteligente de
água” (Smart Water Metering), no qual medidores inteligentes de água (Smart Water Meters)
permitem o monitoramento e a medição em tempo real de diversos parâmetros do sistema, como
por exemplo: pressão, vazão e qualidade da água, como também possibilitam o acionamento
de válvulas e bombas hidráulicas de forma remota e automática. Com isso, o uso de soluções
IoT vem ganhando cada vez mais destaque e popularidade tanto no âmbito comercial quanto no
âmbito acadêmico, no qual as universidades desempenham um papel fundamental na busca por
novas soluções e desenvolvimento de aplicações inteligentes baseadas em tecnologias de IoT, em
um processo que interconecta pessoas, serviços, processos e coisas, tornando as universidades
em Campi Inteligentes. Nesse contexto, o presente trabalho apresenta os resultados de uma
solução de medição inteligente de água, baseada em tecnologias de IoT de baixo custo, que foi
implantada no Campus Campina Grande do IFPB, como um projeto piloto e uma iniciativa para
torna-lo um campus inteligente (Smart Campus). O artefato desenvolvido se destaca pelo uso
da tecnologia LoRa® e do middleware Dojot na camada de aplicação, em vez de soluções na
nuvem, com uma comunicação bidirecional através do LoRa® gateway Dragino LG02. Ademais,
foram realizadas adaptações de metodologias metrológicas estabelecidas em normas brasileiras
vigentes para calibração do sensor de vazão do medidor inteligente de água desenvolvido, o
cálculo do índice de desempenho do medidor e da incerteza da medição. Os resultados obtidos
com a solução desenvolvida demonstram um índice de desempenho da medição de 97,83% e
uma margem de erro de indicação menor do que ± 2 % para as faixas de vazão calibradas para
o sensor de vazão (FS400A) utilizado. A comunicação LoRa® se mostrou estável com índice
médio de indicador de intensidade do sinal recebido (RSSI) no gateway de -89 dBm e uma
taxa de perda de pacote de 0,35%. O Dojot, embora seja uma solução relativamente nova no
mercado, se comportou de forma satisfatória, dando indícios de que pode ser utilizada como
uma ferramenta de produção em um futuro próximo, sendo uma opção viável para um campus
inteligente.
The scarcity of water resources is a reality that affects many countries in the world and tends to
worsen in the coming years due to population growth, climate change and poor management
of water distribution systems, especially in underdeveloped countries, in which the rates of
loss of potable water in these systems are alarming. In Brazil, data from the National Sanita-
tion Information System (SNIS) report that the average indicator of unaccounted for or lost
drinking water loss in distribution in 2021 reached the impressive rate of 40.14%, that is, for
every 100 liters of treated water, more than 40 liters are wasted along the water distribution
system. A way to improve management of water resources and reduce indicators of losses in
water distribution systems is in IoT (Internet of Things) solutions for monitoring systems and
“intelligent measurement of water” (Smart Water Metering), in which smart water meters (Smart
Water Meters) allow real-time monitoring and measurement of various system parameters, such
as for example: pressure, flow and water quality, as well as enabling the activation valves and
hydraulic pumps remotely and automatically. Therefore, the use of solutions IoT is gaining more
and more prominence and popularity both in the commercial field and in the academic scope,
in which universities play a fundamental role in the search for new solutions and development
of intelligent applications based on IoT technologies, in a process that interconnects people,
services, processes and things, making universities in Smart Campi. In this context, this paper
presents the results of a smart water metering solution, based on low-cost IoT technologies,
which was implanted in the IFPB Campina Grande Campus, as a pilot project and an initiative
to makes it an intelligent campus (Smart Campus). The artifact developed stands out for its
use of LoRa® technology and Dojot middleware at the application layer, instead of solutions
at the cloud, with two-way communication through the LoRa® gateway Dragino LG02. Fur-
thermore, adaptations of metrological methodologies established in Brazilian standards were
carried out current regulations for calibrating the flow sensor of the smart water meter developed,
the calculation of meter performance index and measurement uncertainty. The obtained results
with the developed solution demonstrate a measurement performance index of 97.83% and a
margin of indication error of less than ± 2% for the calibrated flow ranges for the flow sensor
(FS400A) used. The LoRa® communication proved to be stable with an index average received
signal strength indicator (RSSI) on the gateway of -89 dBm and a 0.35% packet loss rate. Dojot,
although a relatively new solution in the market, behaved satisfactorily, giving indications that
it can be used as a a production tool in the near future, being a viable option for a campus
intelligent.
CR Code Rate
DC Direct Current
DE Diâmetro Externo
DS Design Science
ESP32 Espressif 32
SF Spread Spectrum
SI Sistema Internacional
c Combinada
EP Erro ponderado
h Hora
i Da i-ésima entrada
L Litro
m³ Metro cúbico
N Da N ésima entrada
n Da n ésima observação
U Incerteza Expandida
uc Incerteza Combinada
uc (y) Incerteza-padrão combinada relativa, associada com a estimativa da saída y
x De x
y Estimativa do mensurando,Y
® Marca Registrada
™ Marca Comercial
 Somatório
SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.1 Motivação e Definição do Problema . . . . . . . . . . . . . . . . . . . . . 20
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.1 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.2 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3 Estrutura do Documento . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . 27
2.1 Metrologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Sistema de Medição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.2 Medição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.3 Incerteza da Medição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.4 Modelo de Medição ou Modelo Matemático . . . . . . . . . . . . . . . . . 30
2.1.5 Calibração, Verificação e Validação . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Redes LPWAN (Low Power Wide Area Network) . . . . . . . . . . . . . 31
2.2.1 LoRa® . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Protocolos de Camada de Aplicação IoT . . . . . . . . . . . . . . . . . . 34
2.3.1 MQTT (Message Queuing Telemetry Transport) . . . . . . . . . . . . . . . 35
2.4 Middleware IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1 Dojot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5 Sistemas Embarcados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.1 WIFI LoRa® 32 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6 Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1 Contribuições da Pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Aplicabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Método . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1 Método Design Science Research . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.2 Plano de Ação de Desenvolvimento e Implantação do Artefato . . . . . . . . 53
3.3.2.1 Instalação e configuração do middleware Dojot . . . . . . . . . . . . . . . . 54
3.3.2.2 Desenvolvimento do software embarcado . . . . . . . . . . . . . . . . . . . 54
3.3.2.3 Testes, verificação de sensores e comunicação com o Dojot . . . . . . . . . 55
3.3.2.4 Caracterização do perfil de consumo de água do campus . . . . . . . . . . . 55
3.3.2.5 Ensaio para calibração do sensor de fluxo . . . . . . . . . . . . . . . . . . . 56
3.3.2.6 Cálculo da incerteza da medição e índice de desempenho do medidor . . . . 58
3.3.2.7 Montagem e instalação do protótipo . . . . . . . . . . . . . . . . . . . . . . 62
3.3.2.8 Monitoramento do sistema de medição inteligente de água . . . . . . . . . . 62
3.4 Ferramentas, Dispositivos e Materiais Utilizados . . . . . . . . . . . . . 63
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.1 Protótipo SMMIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.1.1 Arquitetura da Solução . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.1.1.1 Camada Física . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.1.1.2 Camada de Rede . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.1.1.3 Camada de Aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2 Middleware Dojot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.1 Avaliação Antes da Coleta de Dados . . . . . . . . . . . . . . . . . . . . . 75
4.2.2 Avaliação Após a Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . 80
4.3 Comunicação LoRa® . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.4 Caracterização do Perfil de Consumo . . . . . . . . . . . . . . . . . . . . 88
4.5 Calibração do Sensor de Vazão . . . . . . . . . . . . . . . . . . . . . . . 95
4.6 Índice de Desempenho da Medição - IDM, e Incerteza da Mediação . . . 105
5 CONCLUSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
APÊNDICES 122
1 INTRODUÇÃO
A água, o elemento mais precioso e essencial à vida terrestre, está em risco; é o que
aponta a organização não governamental ambientalista World Resources Institute (WRI), por
meio do seu projeto global de monitoramento e mapeamento de riscos hídricos: o Aqueduct
Water Risk Atlas1 (WRI, 2021). Ainda de acordo com (WRI, 2021), “mais de 1 bilhão de pessoas
já vivem atualmente em regiões de escassez de água, e cerca de 3,5 bilhões podem sofrer escassez
de água até 2025”. No Brasil, segundo (ANA, 2020), “cerca de 22 milhões de pessoas foram
afetadas por secas e estiagens em 2019, no qual aproximadamente 94% das pessoas afetadas
pela seca vivem na região Nordeste”.
Neste cenário de iminente escassez dos recursos hídricos, as cidades enfrentam enormes
desafios para gerenciar seus recursos naturais vitais, forçando-as a se reinventarem e criarem
soluções tecnológicas otimizadas e sustentáveis para se tornarem “cidades inteligentes” (ou
Smart Cities) (RUSSO; RINDONE; PANUCCIO, 2014; EC, 2021). As Smart Cities podem ser
definidas como grandes centros urbanos que utilizam tecnologias inovadoras na gestão pública,
como também em suas infraestruturas, para melhorar aspectos socioeconômicos de uma região,
visando o desenvolvimento urbano sustentável e planejado em prol da qualidade de vida dos
cidadãos (VERSTAEVEL; BOES; GLEIZES, 2017; NEVES et al., 2017).
Diversas soluções desenvolvidas para as Smart Cities nascem em campi universitários,
em que de acordo com (MOTTA; LIMA; CUNHA, 2018), o “limite físico do campus não é
mais definido e são projetados edifícios com funções mistas, podendo ser utilizada tanto pela
comunidade acadêmica quanto pela população”, o que para (VERSTAEVEL; BOES; GLEIZES,
2017) os tornam verdadeiros laboratórios vivos e parceiros ideais para cidades que buscam
explorar e promover iniciativas de cidades inteligentes.
Segundo (NEVES et al., 2017), o “modelo de uma Smart City pode ser escalado e
adaptado para as universidades”, criando o conceito de “campus inteligente” ou Smart Campus",
no qual as instituições adotam tecnologias de Internet das Coisas (Internet of Things - IoT) para
criar aplicações inteligentes, servindo como verdadeiros bancos de testes (OBERASCHER et
al., 2022), voltadas ao controle e monitoramento remoto das instalações e serviços do campus
como, por exemplo, serviços de energia elétrica, iluminação, água, estacionamento, entre outros,
proporcionando o desenvolvimento sustentável, reduzindo custos e desperdícios (FACENS,
2020).
No contexto das aplicações inteligentes, a medição inteligente de água (ou Smart Water
Metering) surge como uma aplicação baseada em tecnologias IoT, que visam minimizar a
escassez hídrica dos grandes centros urbanos por meio da leitura remota e automática de pontos
1 Disponível em: ATER RISK ATLAS.. Acessado em: 25 de ja. de 2023.
Capítulo 1. Introdução 19
Embora as aplicações IoT de água inteligente (Smart Water - SW) venham crescendo
nas universidades, ainda existe uma baixa adesão desses sistemas no âmbito das organizações
educacionais, no qual os principais obstáculos para adoção de medidores inteligentes nessas
organizações são os fatores tecnológicos, ambientais e por último, fatores organizacionais
(ADAMS; JOKONYA, 2022).
Neste contexto, visando não apenas contribuir para a redução do consumo de água do
campus e conscientizar a comunidade para a importância da gestão dos recursos hídricos, o
trabalho desenvolvido nesta dissertação consistiu-se no desenvolvimento, implantação e avaliação
de uma solução de medição inteligente de água implantada no campus Campina Grande (PB)
do IFPB, utilizando a tecnologia LoRa® em conjunto com a plataforma Dojot 2 , como projeto
piloto de uma iniciativa para tornar o "campus inteligente"(Smart Campus).
Dados do Relatório Mundial das Nações Unidas (ONU) sobre Desenvolvimento dos
Recursos Hídricos (World Water Development Report – WWDR, 2021) — desenvolvido por
mais de 20 de agências do Sistema ONU em um esforço internacional denominado ONU-Água
(UN-Water) — apontam que o consumo de água potável no mundo aumentou aproximadamente
6 vezes no último século e continua a avançar a uma taxa de 1% ao ano desde a década de
80, fruto do crescimento populacional, da expansão da agricultura (responsável por 69% do
consumo de toda a água doce do planeta), do setor industrial (19%), do crescimento econômico
e da própria alteração do padrão de consumo humano (12%) (KONCAGüL; TRAN; CONNOR,
2021).
Durante o mesmo período, a qualidade da água diminui em regiões da Ásia, África
e América do Sul e, o estresse hídrico3 aumentou, afetando mais de 2 bilhões de pessoas ao
redor do planeta (KONCAGüL; TRAN; CONNOR, 2021). Além disso, “cerca de 1,6 bilhão de
pessoas enfrentam escassez “econômica” de água, o que significa que, embora a água possa estar
fisicamente disponível, não existe infraestrutura necessária para que as pessoas tenham acesso a
essa água” (KONCAGüL; TRAN; CONNOR, 2021) apud (AGRICULTURE, 2007).
Corroborando com as informações acima, dados do relatório Diagnóstico Temático:
Serviços de Água e Esgoto, Visão Geral, de 2022, elaborado pelo Ministério do Desenvolvimento
Regional/Secretaria Nacional de Saneamento, demonstram que a média nacional de perda nos
sistemas de distribuição de água em 2021 foi de 40,3% (SNIS, 2022), ou seja, para cada 100 litros
de água tratada, mais de 40 litros de água é desperdiçada ao longo do caminho e não chegam ao
consumidor final, o que representa uma perda de 168,66% acima do índice considerado ideal
2 Disponível em: Dojot. Acesso em: 25 de jan. de 2023.
3 O termo estresse hídrico é utilizado para descrever um cenário no qual, em uma determinada região, a demanda
por água é maior do que a sua disponibilidade e capacidade de renovação. Fonte: (SUçUARANA, 2021)
Capítulo 1. Introdução 21
(15%) pelo relatório, gerando um impacto financeiro estimado em R$ 12 bilhões de reais por
ano (ITB, 2020b).
Na cidade de Campina Grande (PB), o índice de perda de água em 2021, de acordo
com dados extraídos da plataforma "Painel de Indicadores" do sítio governamental SISTEMA
NACIONAL DE INFORMAÇÕES SOBRE SANEAMENTO - SNIS4 , foi de 27,54%, índice
inferior à média geral do estado da Paraíba (35.38%) (SNIS, 2021).
Além dos altos índices de perdas nos sistemas de distribuição de água, o relatório
PERDAS DE ÁGUA 2020 (SNIS 2018): DESAFIOS PARA DISPONIBILIDADE HÍDRICA
E AVANÇO DA EFICIÊNCIA DO SANEAMENTO BÁSICO ressalta que “a maior parte das
empresas não mede as perdas de água de maneira consistente, do modo que, por exemplo, não
são divulgados indicadores que reflitam de maneira independente as perdas físicas e comerciais”
(ITB, 2020a).
Nesse contexto, entende-se por perdas físicas ou reais, toda água desperdiçada (nos
mais diversos processos), tratada ou não, que é disponibilizada para distribuição e não chega ao
consumidor, ou seja, a água é desperdiçada ao longo do trajeto por motivos diversos, como por
exemplo, vazamentos provocados por excesso de pressão (SNIS, 2018).
Já as perdas comerciais ou aparentes (também identificado nos relatórios citados por
Índice de Perda de Faturamento - IPF), são falhas nos sistemas de medição (ocasionadas por erro
humano ou mecânico) que não registram o consumo real do usuário (SNIS, 2018), onerando
o faturamento das concessionárias de água, além de aumenta a necessidade de captação dos
mananciais, o que impacta diretamente na eficiência das companhias (EOS, 2019).
Entre as principais causas de perdas aparentes estão:
No Brasil, o “indicador médio de perdas de faturamento total foi 38,64% em 2021, uma
pequeno retrocesso frente aos 40,89% observados em 2020” (SNIS, 2022), em que presume-se
que a submedição (parcela do volume entregue ao consumidor final, que não é registrado pelo
medidor) seja responsável por 4% a 22% da perda de faturamento. (SNIS, 2018)
Diversos fatores que colaboram para a submedição já foram identificados na literatura,
como por exemplo:
Ainda de acordo com (SNIS, 2018), outros fatores como “deficiências na manutenção da
rede de distribuição (o que provoca a existência de partículas sólidas, notadamente partículas
de ferro que podem danificar o hidrômetro e/ou interferir na sua sensibilidade), bem como
deficiência no programa de manutenção e substituição de hidrômetros”, contribuem para o
aumento da submedição.
Além disso, (AESB, 2015) informa que os “medidores velocimétricos de classe B 5 ,
extensamente utilizados no país, tem se mostrado pouco eficientes em baixas vazões e perdem
capacidade com poucos anos de uso”, ou seja, mesmo em equipamentos novos, os medidores
apresentam erros de leitura e, com o passar do tempo, a margem de erro tende a aumentar com
o desgaste do equipamento, levando a índices de erro que podem extrapolar os indicadores
definidos em normas técnicas.
No Brasil, o órgão balizador de normas técnicas referentes à hidrômetros e equipamentos
de medição é o Instituto Nacional de Metrologia, Qualidade e Tecnologia (Inmetro), que através
da PORTARIA Nº 155, DE 31 DE MMARÇO DE 2022, institui o REGULAMENTO TÉCNICO
METROLÓGICO - RTM, que estabelece requisitos técnicos e metrológicos para os medidores
utilizados para medir o volume de água potável fria e água quente até 15m³/h. O RTM preconiza,
entre outros, os índices de erro máximo admissível (EMA) de leitura de ± 5% para vazões baixas
(faixa inferior de medição) e ± 2% para vazões de trabalho nominal (faixa superior de medição)
em equipamentos novos e, para equipamentos usados, os valores são de ± 10% para vazões
baixas e ± 5% para vazões de trabalho nominal (BRASIL, 2022).
Visando reduzir os indicadores apresentados anteriormente e promover melhorias na
infraestrutura do saneamento básico do Brasil, o Ministério do Desenvolvimento Regional
(MDR) lançou a portaria Nº 490, DE 22 DE MARÇO DE 2021 que estabelece indicadores que
deverão ser cumpridos pelos municípios de todo país para reduzir as perdas de água até 2034,
tendo como meta, o índice máximo permitido de 25% de perdas nos sistemas de distribuição de
água dos municípios (BRASIL, 2021). Ainda de acordo com a portaria, os municípios devem se
adequar e buscar soluções para reduzir as perdas, intervindo no que couber, na “setorização e
zonas de medição e controle; macromedição e pitometria no sistema distribuidor; micromedição;
e implantação, ampliação ou melhoria do controle operacional” (BRASIL, 2021).
No âmbito do IFPB, campus Campina Grande (PB), a micromedição é realizada através
de um hidrômetro ultrassônico do fabricante ViewShine, modelo U-WR-S DN156 , de respon-
sabilidade da concessionária de água estatal CAGEPA, instalado na entrada do campus na rua
5 Quanto maior a classe, mais preciso e eficiente é o hidrômetro, como por exemplo, um hidrômetro Classe C é
melhor do que o Classe B, e assim sucessivamente.
6 Para especificações técnicas do produto e mais informações, consulte o site do fabricante, disponível em:
Viewshine.
Capítulo 1. Introdução 23
• QP01 - O medidor inteligente de água desenvolvido será capaz de medir com a precisão e
requisitos estabelecidos em normas vigente?
• QP03 - O middleware Dojot pode ser utilizado com uma ferramenta de produção no atual
estágio de desenvolvimento da ferramenta?
A relevância do assunto em estudo se dá não apenas no âmbito das perdas nos sistemas
de distribuição de água interna do campus ocasionadas por erro de leitura no equipamento de
mensuração do consumo com a informação do volume micromedido, como também, no âmbito
social, uma vez que visa diminuir as perdas de água e conscientizar a comunidade acadêmica para
importância da gestão eficiente dos recursos hídricos, além de contribuir com o desenvolvimento
Capítulo 1. Introdução 25
de sistemas de medição inteligente de água utilizando tecnologias IoT de baixo custo como
ferramentas para o gerenciamento e planejamento do controle das perdas de água de um Smart
Campus.
1.2 Objetivos
Este trabalho tem como objetivo geral o desenvolvimento de um artefato (protótipo) para
Medição Inteligente de Água (Smart Water Metering) baseado em plataformas de IoT de baixo
custo para mensurar o consumo geral de água do campus Campina Grande (PB) do IFPB, de
maneira remota e automática.
• Metrologia, no qual são abordados os conceitos chave para uma melhor compreensão
sobre o processo de medição e sua complexidade;
2 FUNDAMENTAÇÃO TEÓRICA
2.1 Metrologia
A Metrologia é a ciência das medidas e suas aplicações, que “engloba todos os aspectos
teóricos e práticos da medição, qualquer que seja a incerteza de medição e o campo de aplicação”
(INMETRO, 2012b). De acordo com (MENDES; ROSáRIO, 2020), a “metrologia existe para
sustentar um acordo universal para as unidades de medida, ou seja, a existência de uma padroni-
zação dos valores”. Logo, é de suma importância entender os conceitos básicos dessa ciência e
os termos empregados em metrologia, pois, são necessários para interpretação e especificação de
resultados de medição.
As definições e terminologias apresentadas a seguir são extraídas dos documentos:
Vocabulário Internacional de Metrologia - VIM (2012) e Guia para Avaliação da Incerteza da
Medição - GUM (2008), publicados pelo Inmetro.
Ainda de acordo com (INMETRO, 2012b), “um sistema de medição pode consistir em
apenas um instrumento de medição” (instrumento de medição indicador), ou seja, equipamento
que fornece um sinal de saída contendo informações sobre o valor da grandeza medida, como
por exemplo, voltímetro (grandeza medida: tensão), termômetro (grandeza medida: temperatura)
etc.
2.1.2 Medição
medida. Uma medição começa, portanto, com uma especificação apropriada do mensurando, do
método de medição e do procedimento de medição”.
Já em (INMETRO, 2012b), medição é o “processo de obtenção experimental de um ou
mais valores que podem ser, razoavelmente, atribuídos a uma grandeza”. O método de medição
é a uma “descrição genérica de uma organização lógica de operações utilizadas na realização
de uma medição” (INMETRO, 2012b), ou seja, uma sequência lógica de procedimentos para
conhecermos o valor de uma dada grandeza.
A forma como uma grandeza pode ser mensurada (método de medição) se dá principal-
mente de duas maneiras (MENDES; ROSáRIO, 2020):
2. Indireta: consiste na medição de uma ou mais grandezas por meio de modelos matemáticos.
• Sistemático: análogo ao erro aleatório, o erro sistemático também não pode ser eliminado
do processo de medição, porém, também pode ser minimizado, principalmente “se origina
de um efeito reconhecido de uma grandeza de influência em um resultado de medição e,
se for significativo com relação à exatidão requerida da medição, uma correção ou fator de
correção pode ser aplicado para compensar o efeito” (INMETRO, 2012a), em que após
esta correção, a esperança ou valor esperado do erro provocado por um efeito sistemático
seja próximo de zero.
• Tipo B: outros meios que não estatísticos, como por exemplo, avaliação baseada na
informação (INMETRO, 2012a):
A incerteza expandida pode ser obtida através de um fator de abrangência (k, tipicamente
na faixa de 2 a 3) multiplicado pela incerteza-padrão combinada (INMETRO, 2012a).
As redes sem fio de baixa potência e longo alcance (Low Power Wide Area Network -
LPWAN) são conjuntos de tecnologias, em essência, voltadas para aplicações de baixo consumo
energético e baixo custo, o que se encaixa perfeitamente com a proposta de Internet das Coisas
(IoT) (LALLE et al., 2019). Ainda de acordo com (LALLE et al., 2019), as tecnologias LPWAN
surgiram para superar a questão energética das redes celulares e o problema de alcance das redes
de curto alcance, como pode ser observado na comparação de dados contidos na Tabela 1.
Tabela 1 – Comparação entre alcance de sinal e consumo energético das tecnologias de rede sem
fio.
Classificação da Consumo Energético
Tecnologia Alcance do Sinal
Tecnologia Estimado (Potência de Transmissão)
Bluetooth 4.0 Curto Alcance 10 m 2,5 mW
Wi-Fi 6 Curto Alcance 50 m 80 mW
3G/4G Celular 5 km 5000 mW
2-5 km (Urbano)
LoRa® LPWAN 5-15 km (Rural) 20 mW
15 km (Linha de Visada Direta)
Fonte: Adaptado de (LORA, 2018).
As principais tecnologias LPWAN apontadas por (LALLE et al., 2019) são: LoRa®,
Narrowband - IoT (NB-IoT) e SigFox. Neste trabalho utilizou-se a tecnologia LoRa® como meio
Capítulo 2. Fundamentação Teórica 32
2.2.1 LoRa®
LoRa®, acrônimo de “longo alcance” (Long Range), é uma das tecnologias LPWAN
mais promissoras no campo IoT. Para (ORTIZ et al., 2019), LoRa® se destaca pela “redução na
complexidade do hardware, a diminuição do tamanho dos cabeçalhos e da complexidade da rede
em termos de saltos e endereçamento, viabilizando uma comunicação bidirecional simples, com
o uso de uma infraestrutura mınima e com baixo consumo de energia”.
Os termos LoRa® (camada física) e LoRaWAN® (protocolo de rede) são frequentemente
usados de forma intercambiável. No entanto, referem-se a tecnologias distintas, pois operam
em camadas de rede diferentes (SEMTECH, 2019), conforme apresentado na Figura 2. As
características do protocolo LoRaWAN® não serão abordadas neste documento.
Figura 3 – Distribuição de frequência dos canais (Uplink x Downlink) na banda AU 915 mHz.
Fonte: (ALLIANCE, 2019).
Capítulo 2. Fundamentação Teórica 33
• Alta Robustez: Devido ao produto Bandwidth ⇥ Time (largura de banda ⇥ tempo) ser
maior que 1 (BT>1) e sua natureza assíncrona, o LoRa® é muito resistente a interferências
dentro e fora de banda.
• Resistente a efeito Doppler: O efeito Doppler (fenômeno físico que altera a percepção da
frequência ondulatória no receptor quando o emissor ou o receptor se desloca em relação
ao outro em um movimento contínuo) causa um pequeno deslocamento de frequência do
pulso LoRa®, que introduz um deslocamento relativamente insignificante na frequência
de banda base. Essa tolerância de deslocamento de frequência atenua a necessidade de
hardware extra, tornando o LoRa® ideal para links de comunicação de dados móveis,
como por exemplo, sistemas de monitoramento sem fio de pressão de pneus de um carro;
Um tópico refere-se a uma string UTF-8 (semelhante a uma URL - Uniform Resource
Locator) que o broker usa para filtrar mensagens para clientes conectados e pode conter um ou
mais níveis, em que cada nível do tópico é separado por uma barra (separador de nível de tópico),
como esboça a Figura 5.
• Comunicação assíncrona;
• É agnóstico de dados, ou seja, o editor decide se quer enviar (publicar) dados binários,
dados de texto ou até mesmo XML (Extensible Markup Language) ou JSON (JavaScript
Object Notation) completos.
Capítulo 2. Fundamentação Teórica 37
(MILEVA et al., 2021) ressalta que “embora o MQTT v5.0 tenha herdado muito do seu
antecessor, ou seja, o v3.1.1, ambas as versões não são, em princípio, compatíveis. Isso é causado
pela diferente estrutura de mensagens, bem como recursos adicionais que foram introduzidos na
nova versão”.
2.4.1 Dojot
• O corpo da mensagem (payload) deve ser um JSON com cada chave sendo um atributo do
dispositivo cadastrado no Dojot (por exemplo: "temperature": 10.5, "pressure": 770 ).
• Flowbroker: é um serviço baseado no front end Node-RED, mas usa seu próprio motor
para processar as mensagens, ou seja, lida com fluxos (CRUD e execução de fluxo) e
fornece um editor de fluxo baseado em navegador que facilita a transferência de fluxos
usando a ampla gama de blocos de funções (módulos) disponíveis na interface (DOJOT,
2020).
Já o ESP32 é descrito por (BERTOLETI, 2019), como um combo de chips que “oferece
conectividade (Wi-Fi e Bluetooth, com frequência 2,4GHz), poder computacional (CPU +
memórias), I/Os, RTC, suporte à comunicações diversas (SPI, I²C, I²S, etc.), suporte à operação
Low-Power e blocos de hardware dedicados à segurança em um único chip”, logo, se mostra uma
solução compacta com diversos recursos importantes para o desenvolvimento de aplicações IoT.
Capítulo 2. Fundamentação Teórica 42
Nesta seção, são apresentados seis trabalhos relacionados ao tema em estudo, que
fornecem uma visão do estado da arte e o potencial da aplicabilidade da “medição inteligente de
água” encontrada atualmente na literatura.
A primeira proposta (YE et al., 2021) apresenta uma solução de hidrômetro com arquite-
tura híbrida de medição (mecânico e eletrônico), como uma proposta para utilização em Smart
City, substituindo os hidrômetros convencionais. Com uma abordagem mais ampla, o segundo
trabalho (SARAVANAN; DAS; IYER, 2017) apresenta um projeto piloto de implantação de
uma rede inteligente de água (Smart Water Grid) em uma vila na Índia. Na terceira proposta
(BRANDÃO, 2019) é apresentado um trabalho de desenvolvimento de um protótipo de medidor
inteligente de água (Smart Water Meter) de baixo custo, para fins de micromedição do consumo
final em um campus universitário. O quarto trabalho (WISINTAINER, 2020) demonstra a viabi-
lidade de um medidor inteligente de água para medição do consumo de água através de protótipo
desenvolvido com dispositivos IoT operando em rede SigFox. As duas últimas propostas (RAY;
GOSWAMI, 2020; NADIPALLI et al., 2021) são análogas do ponto de vista do conjunto de
tecnologias IoT utilizadas, porém o escopo da última proposta se diferencia por apresentar uma
solução voltada para uso consciente da água no âmbito residencial. A seguir são fornecidos mais
detalhes de cada trabalho.
Em (YE et al., 2021) os autores propuseram uma nova abordagem de sistema de medição
inteligente de água (Smart Water Metering System - SWATS) para cidades inteligentes baseado
na tecnologia LoRa®, na plataforma STM32 (microcontrolador de 32-bits da família Arm®
Cortex®-M) e em um sensor de indução em conjunto com algoritmo de detecção para monitorar
e mapear o relógio analógico do medidor inteligente de água proposto. O ponto alto do trabalho
é a implementação de um algoritmo para redução de erro de leitura ocasionado por altas pressões
ou altos fluxos de água em hidrômetros mecânicos, em um fenômeno conhecido por flutuação de
pressão, o que pode ser aproveitado para testes futuros na solução proposta neste documento.
Para validar a proposta, foram realizados experimentos em diferentes condições de temperatura,
pressão e qualidade da água, em uma simulação de consumo de uma residência, variando-se o
fluxo e o tempo de vazão da água, bem como alterações no algoritmo de medição. Os resultados
demonstraram que a diferença geral na leitura entre o relógio mecânico e o sistema eletrônico
foi de 0,36%, quando utilizado o algoritmo de prevenção de vazamento de água. Porém, para
utilização em cenário real a solução precisaria seguir metodologias metrológicas para garantir a
qualidade da medição.
O projeto piloto demonstrado por (SARAVANAN; DAS; IYER, 2017) implementa uma
solução de Smart Water Grid na vila de Mori, situada no delta sudeste de Andhra Pradesh,
Índia. O projeto envolve o monitoramento e a medição de diversos parâmetros da qualidade da
água (ORP, pH, Salinidade, Nível, Turbidez, Temperatura e Fluxo de Água) através de sensores
instalados no reservatório central de água da vila e em canais de água em seu entorno. Foram
Capítulo 2. Fundamentação Teórica 43
usados microcontroladores Arduino e módulos LoRa® para transmissão das informações dos
sensores a um LoRa® gateway conectado à plataforma em nuvem Ericsson Cloud. De acordo
com os autores, três objetivos foram alcançados com a implantação do sistema: melhorias na
qualidade da água na região; sistema de alerta eficiente para controle de enchentes e detecção
de alta salinidade da água, além de facilidade no acesso às informações da qualidade da água
para os moradores da região e autoridades locais. Foi utilizada a técnica estatística de regressão
logística aplicada através da ferramenta de aprendizagem de máquina WEKA para analisar os
dados dos sensores armazenados na nuvem. Os resultados obtidos demonstraram que 99% dos
valores são corretamente classificados para prever a potabilidade da água no tanque e canais. O
destaque da solução proposta é a utilização de ferramentas de Machine Learning para otimizar a
identificação de padrões da qualidade da água.
No trabalho apresentando em (BRANDÃO, 2019), os autores demonstram uma solução
de um dispositivo de medição inteligente de água de baixo custo, visando o monitoramento
automatizado de consumo em pontos de utilização do campus Campina Grande da UFCG
(Universidade Federal de Campina Grande). Foram utilizados microcontroladores Arduino
e NodeMCU (do fabricante Espressif Systems) com sensores de fluxo de água tipo turbina.
A plataforma utilizada para consolidar os dados foi o SIGA (Sistema de Gerenciamento de
Água), fruto de um projeto de pesquisa realizado em parceria com o curso de Ciência da
Computação da UFCG. Para avaliar a eficiência do dispositivo proposto, os medidores foram
instalados em chuveiro, lavatório, mictório, bacia sanitária e pia da cozinha de um bloco do
campus. Os resultados demonstraram que o “maior consumo foi da pia da copa 45%, seguido da
bacia sanitária 43% e depois o lavatório do banheiro 12%, valores divergentes do apresentado
pela literatura que são de 17%, 29%, e 6% respectivamente” (BRANDÃO, 2019). Embora o
trabalho apresente dados estatísticos para efeito comparativo, a qualidade da medição pode ser
questionada, uma vez que não é apresentada uma metodologia para calibração dos sensores.
Com o escopo do trabalho voltado para o desenvolvimento de um protótipo de medidor
inteligente de água para uso residencial, em (WISINTAINER, 2020) é apresentada uma solução
baseada em sensor de fluxo de água tipo turbina (modelo YF-S201), microcontrolador NodeMCU
, sensor de pressão (modelo SKU237545) e módulo de comunicação Sigfox Wisol WSSFM10R2
Breakout Board. Na proposta, os autores também desenvolveram uma aplicação para proces-
samento dos dados do medidor e visualização do consumo de água baseada nas tecnologias
Node.js, banco de dados Firebase e no framework Angular. A aplicação foi hospedada na nuvem
Heroku. De acordo com os autores, o protótipo obteve resultados satisfatórios em relação ao
cálculo do consumo de água, atingindo uma precisão acima de 90% para fluxos constantes de
água e uma de precisão de 99% para testes com vazões alternadas. Para chegar aos resultados
apresentados, os autores realizaram 3 experimentos, em que foram realizadas 3 medições para
cada volume (3L, 5L e 10L), variando-se o fluxo da água em baixa, média e alta vazão. No
primeiro cenário, levou-se em consideração apenas a verificação do sensor de fluxo em fluxo de
água constante. De forma análoga, no segundo experimento, levou-se em consideração o valor
Capítulo 2. Fundamentação Teórica 44
da pressão para calcular a vazão. Por fim, variou-se o fluxo da água e utilizou-se a medição dos
dois sensores para realizar o cálculo de consumo. Pode-se dizer que o ponto alto do trabalho está
na utilização dos dados de pressão para otimizar o cálculo do consumo, em que utilizou-se o
valor da pressão para criar um fator de correção no cálculo. Este é um ponto interessante e pode
ser adotado na solução proposta neste trabalho.
Em (RAY; GOSWAMI, 2020) os autores propõem uma solução de medição inteligente
de água baseada no dispositivo embarcado NodeMCU, em um sensor de água do tipo turbina
(modelo YF-S201), uma unidade de memória e um placa de painel solar para alimentar o sistema.
Os dados são transmitidos em intervalos regulares para a plataforma na nuvem ThingSpeak
através de rede Wi-Fi. Como diferencial da proposta, a solução utiliza aprendizado de máquina
(Machine Learning) em um modelo de regressão linear para identificar e diferenciar padrões de
fluxo como fluxo normal, excessivo ou contínuo. Outra função adicionada ao sistema (utilizando
a tecnologia WebHooks em conjunto com a plataforma IFTTT), foi a adição de um mecanismo
de alerta, na qual é disparada uma notificação via e-mail em caso de detecção de anomalias.
Porém, não são apresentados dados substanciais para comprovação da qualidade da medição.
Análoga às soluções apresentadas no parágrafo anterior, (NADIPALLI et al., 2021)
também apresenta uma solução de medidor inteligente de água com o mesmo conjunto de
dispositivos IoT (YF-S201 + NodeMCU), porém a plataforma em nuvem utilizada foi aThinger.io.
O escopo do trabalho é apresentar uma solução que visa o uso consciente da água para usuários
residenciais, no qual apresenta uma dashboard de monitoramento em uma escala de cores na
qual o usuário define suas metas de consumo (verde = consumo dentro do limite estabelecido;
amarelo = consumo extrapolado, redução do fluxo da água; vermelho = consumo muito excedido,
fluxo da água cortado). O trabalho não apresenta uma amostra de dados relevantes nem métodos
estatísticos para uma avaliação mais precisa do sistema proposto.
A Tabela 3 contêm as informações resumidas das principais características dos trabalhos
de medição inteligente de água apresentados.
Capítulo 2. Fundamentação Teórica 45
É importante salientar que nenhum dos estudos apresentados nesta seção descreve
métodos de calibração e cálculos da incerteza de medição utilizados em normas técnicas de
metrologia para validar seus sistemas de medição propostos, preocupando-se muitas vezes
apenas com seu caráter tecnológico e funcional, em que boa parte das soluções não levam em
consideração o perfil de consumo do usuário, as vazões típicas reais do sistema no qual serão
inseridos e demais variáveis inerentes a esse tipo de aplicação.
Outra característica observada nos artigos apresentados é que os autores não levam em
consideração ou pelo menos não é declarado de forma explícita o índice de incerteza da medição
de seus medidores inteligentes de água, o que por si só é considerado uma medição incompleta,
pois não acompanha o valor declarado da incerteza da medição (INMETRO, 2012a).
A solução desenvolvida nesta dissertação se diferencia das demais soluções apresentadas
pelos seguintes pontos:
• Desenvolveu-se um medidor inteligente de água modular, que inclui sensores para verificar
a vazão de água, a pressão e, a temperatura, pressão atmosférica e a umidade do ambiente,
Capítulo 2. Fundamentação Teórica 46
bem como, uma válvula tipo solenoide para controlar remotamente o fluxo da água, uma
válvula de retenção de água e um filtro de partículas, garantindo assim uma maior eficiência
na verificação do consumo de água e,
• Utilizou-se o dev-board IoT Wi-Fi LoRa® 32 (V2) (do fabricante Heltec), operando na
frequência de 917 mHz, em uma comunicação de camada física LoRa®.
47
3 METODOLOGIA
3.2 Aplicabilidade
3.3 Método
A pesquisa desenvolvida neste trabalho pode ser classificada como aplicada, pois visa
solucionar um problema local do campus Campina Grande do IFPB.
Em relação à classificação dos objetivos, pode-se denominar como do tipo descritiva,
pois descreve as características do sistema desenvolvido, bem como analisa estatisticamente os
dados coletados através deste, ou seja, a pesquisa configura-se como uma abordagem quantita-
tiva.
Quanto ao local de obtenção das informações, realizou-se um levantamento biblio-
gráfico através de bases de dados amplamente conhecidas pela comunidade acadêmica, como
por exemplo, IEEE Xplorer, Science Direct, ACM DIGITAL LIBRARY, entre outros. Em um
segundo momento, realizou-se um levantamento laboratorial, por meio de ensaios para calibra-
Capítulo 3. Metodologia 48
GABLE e BANDARA (2011), entre outros (DRESCH; LACERDA; ANTUNES, 2020), porém,
a escolha do método DSR utilizado neste trabalho é uma adaptação da proposta DSR apresentada
por DRESCH, LACERDA e ANTUNES (2015), que consiste na consolidação da proposta de
vários autores em um processo bem definido, conforme ilustrado na Figura 10.
O método consiste em 12 passos bem definidos, em que ao final de cada iteração é gerada
uma saída. As setas contínuas indicam a ordem direta para realização de cada um dos passos e o
produto da realização destes. Um resumo da resultante da realização de cada etapa é descrito na
coluna saída.
No Passo 1, Identificação do Problema, o pesquisador investiga um problema passível
de ser resolvido com auxílio do método DSR, justificando a relevância e a importância para
área em estudo, de forma clara e objetiva, buscando “encontrar resposta para uma questão
importante, ou a solução para um problema prático ou para uma classe de problemas” (DRESCH;
LACERDA; ANTUNES, 2020).
A etapa Conscientização do Problema (referente ao Passo 2), é o momento em que o
pesquisador busca o máximo de conhecimento possível sobre o problema investigado, tentando
obter uma compreensão ampla sobre diversos aspectos do problema, incluindo suas causas e em
quais contextos são observados. O produto desta fase é o levantamento das “funcionalidades
Capítulo 3. Metodologia 51
É importante ressaltar que embora o campus Campina Grande do IFPB não possua
laboratório certificado para avaliação e calibração de instrumentos de medição de água, os
procedimentos metrológicos utilizados neste trabalho são baseados nas normas brasileiras
(NBR) NBR ISO (International Organization for Standardization) 5168:2015 (Procedimento
para avaliação de incertezas), NBR 15538:2014 (Medidores de água potável — Ensaios para
avaliação de eficiência) e NBR 16043:2021 (Medidores para água potável fria e água quente),
que se divide em 4 partes:
3. Requisitos não metrológicos não abrangidos pela ABNT NBR 16043-1 (NBR 16043-
3:2021) e,
A lista completa com todas as bibliotecas utilizadas, bem como o código-fonte da solução
implementada está disponível no repositório do projeto3 .
Nesta etapa, foram realizados testes básicos para verificação dos componentes eletrônicos
do artefato, em que foi possível verificar a comunicação entre os sensores e o WIFI LoRa® 32,
plataforma Dojot e LoRa® gateway. O parâmetros de configuração do Setup inicial utilizado
para comunicação de camada física LoRa® está contido na Tabela 5 .
Cada pulso representa um volume discreto de forma que o número total de pulsos gerados
em determinado período de tempo corresponde ao volume total medido pelo sensor. A esse pulso
dar-se o nome de Fator de Calibração “K” ou coeficiente de vazão da turbina, que é dado pela
Equação 1: ✓ ◆
f requncia(pulso/seg)
K(pulso/volume) = . (1)
vazao(volume/tempo)
Capítulo 3. Metodologia 57
Assim, um sensor de vazão deve ser calibrado com o menor erro de indicação possível
para a faixa de vazão nominal (Qn ou Q3), ou seja, a faixa de vazão mais frequente, expressa em
metros cúbicos por hora, na qual o medido deve operar dentro da margem de erro de indicação
definida em norma (ABNT, 2014).
Embora na teoria os sensores de vazão do tipo turbina apresentem um comportamento
linear, na prática podem ocorrer variações para diferentes tipos fluxos, em que é necessário
ajustar o fator de calibração K para se obter uma leitura mais próxima da realidade.
Segundo (ABNT, 2021a), existem dois métodos de calibração para medidores de água:
• Calibração estática:
• Calibração dinâmica:
Nesta etapa, utilizou-se o método de calibração estático, uma vez que o procedimento
operacional torna-se mais adequado ao modelo de bancada de calibração adaptada da norma
ABNT NBR ISO 4185:2009 utilizada para este fim. A Seção 4.5 apresenta em detalhes o
procedimento e os resultados obtidos nesta etapa.
O processo de calibração também é utilizado para estimar a incerteza de medição Tipo A
determinada, utilizando-se a análise estatística em uma série de observações, como também o
índice de desempenho do medidor (IDM), que é um “parâmetro de avaliação do desempenho
do medidor que permite calcular qual é a capacidade que um equipamento qualquer tem de
registrar o volume por ele escoado, baseado em um perfil de consumo” (SNIS, 2018). A subseção
seguinte descreve o passo a passo para o cálculo da incerteza de medição e do IDM do artefato
desenvolvida.
De acordo com (ABNT, 2014), para calcular o IDM os seguintes passos devem ser
seguidos:
 [(erro Qx ) ⇥ (peso Qx )]
EP(%) = , (2)
100
em que peso Qx é o volume consumido em cada faixa de vazão/volume total consumido.
s
N
uc (y) = Â [ciu (xi)]2. (6)
i=1
ai
u (Xi ) = p . (8)
3
U
u (Xi ) = . (9)
K
4. Cálculo dos Coeficientes de sensibilidade: Os coeficientes de sensibilidade podem ser
calculados de modo dimensional ou adimensional (depende da escolha do Passo 1), usando
tanto métodos analíticos como numéricos, e são dados pelas Equações 10 e 11 (ABNT,
2015):
∂y Dy
ci = ⇡ . (10)
∂ xi Dxi
∂ y xi Dy xi
ci = ⇡ . (11)
∂ xi y Dxi y
5. Cálculo da Incerteza combinada: Verificar se algumas das entradas estão correlacionadas,
caso não haja correlação, calcular a incerteza-padrão combinada da medida a partir da
Equação 12 (dimensional) e Equação 13 (adimensional). “Se houver correlação, seguir o
Guia apresentado no Anexo F” (ABNT, 2015).
s
N
uc (y) = Â [ciu (xi)]2. (12)
i=1
s
N ⇥ ⇤ ⇤2
u⇤c (y) = Â ci u⇤ (xi ) . (13)
i=1
8. Expressão dos resultados: “Os resultados calculados de acordo com este Anexo A devem
ser apresentados como descrito na Seção 10” (ABNT, 2015).
• um dispositivo que inclua uma válvula de drenagem, que possa ser usada para monitora-
mento de pressão, esterilização e amostragem de água;
• uma válvula de bloqueio para medidores com Q3 > 4 m3 /h, que deve ser operado no
mesmo sentido que a válvula a montante e,
Vale salientar que a NBR 16043-4 aborda outros critérios de instalação, como métodos
para eliminar perturbações de escoamento de água em tubulações, além de outras recomendações.
Na seção 4.1.1.1 são exibidas imagens do medidor inteligente de água desenvolvido e instalado
no cavalete de entrada de água do campus.
4 RESULTADOS
hidráulicas (também conhecida como união soldável), permitindo assim uma maior flexibilidade,
facilidade de manutenção e ajustes da solução.
Para uma visão mais detalhada da interconexão elétrica e hidráulica do sistema, ilustra-se
na Figura 16 o diagrama esquemático com suas respectivas legendas.
2. um sensor de fluxo de água do tipo turbina, modelo FS400A G1, com sensibilidade de
medição 1-60 l/min e pressão máxima de operação de 1,2 MPa;
3. um sensor de pressão modelo OEM 1,2 MPa com uma faixa de trabalho entre 0 e 12
bar/174 psi;
6. uma válvula solenoide do tipo normalmente aberta (NA) operando a 220V AC;
7. um módulo relé de estado sólido 5V de um canal para carga de até 250V AC/2A;
12. um conversor de tensão Dc-Dc tipo step down com display LCD, modelo ZK-J5X;
O dev-board IoT WIFI LoRa® 32 (V2) do fabricante Heltec (também conhecido por
ESP32 LoRa® Heltec) foi selecionado por apresentar uma solução compacta (o que facilita
a prototipagem), com vários recursos de conectividade (conforme já apresentado na Seção ),
a um custo relativamente baixo, como também por possuir uma vasta documentação e boa
disponibilidade no mercado.
Já o sensor de fluxo de água do tipo turbina, modelo FS400A G1, foi escolhido por
apresentar uma alta taxa de abertura ou rangeabilidade (turndown ratio ou rangeability) de 60:1,
possibilitando uma maior escala de medição se comparado a outros sensores do mesmo tipo
com turndown ratio inferior. Ademais, o sensor oferece um custo inferior a outras soluções do
mercado (como por exemplo, sensores de fluxo baseados na tecnologia ultrassom) e baixa taxa
de erro de medição (± 3 a 5% por padrão), que pode ser reduzido a patamares menores quando
devidamente calibrado (ver Fator de Calibração K na Seção 3.3.2.5) via software para o fluxo
operacional desejado.
A válvula reguladora de pressão foi selecionada por apresentar mecanismo de ajuste
manual da pressão, bem como derivações para acomodação do manômetro analógico e do sensor
eletrônico de pressão, o que possibilita a verificação da pressão in loco, facilitando a detecção de
discrepâncias de medição entre os medidores de pressão.
Capítulo 4. Resultados 69
O sensor BME280 foi adicionado à solução para fins de acompanhamento dos níveis de
temperatura, umidade e pressão dentro da caixa onde a parte eletrônica do medidor inteligente
foi instalado. Já o sensor DS18B20 foi escolhido por ser blindado e suportar as intemperes do
tempo, servindo para monitorar a temperatura ambiente fora da casa de máquina onde o medidor
encontra-se instalado.
A válvula solenoide foi adotada para acionamento remoto e automático do sistema em
caso de detecção de anomalias no fluxo de água por algoritmos de detecção de vazamento
(implementação futura, com adição de novos medidores à rede de distribuição de água do
campus), controlando a abertura ou fechando do fluxo da água e, consequentemente, evitando
desperdícios. Além disso, poderá ser acionada remotamente através de aplicativo para celular
(APP de implementação futura) para facilitar a manutenção e o controle de enchimento da caixa
d’água central de distribuição de água do campus.
Os demais dispositivos que contemplam a solução foram adotados por suas características
de usabilidade, compatibilidade com os demais elementos da solução e pela disponibilidade de
mercado.
Complementando a solução, dois elementos passivos são sugeridos para melhorar a
acurácia de medição do sistema:
A escolha por esse dispositivo se deu por apresentar uma relação custo-benefício alinhada
à realidade financeira do projeto, bem como por oferecer um conjunto de funcionalidades
adequado à aplicação em desenvolvimento (como por exemplo: interface Web para configuração
de parâmetros de camada física LoRa® e logs de comunicação LoRa®), o que diminui a
complexidade e facilita a implementação da rede LoRa®.
O dispositivo dá suporte à conexão de até 300 dispositivos finais dependendo das con-
figurações adotadas, o que garante uma escalabilidade para projetos futuros. Além disso, a
interface de configuração é simples e amigável, com uma rápida curva de aprendizagem e uma
boa documentação disponível no site do fabricante.
Na Seção 4.3 apresenta-se o setup de configuração do dispositivo, o script de funciona-
mento do protocolo MQTT implementado pelo fabricante e uma análise acerca do comporta-
mento da potência de sinal (RSSI) e da taxa de perda de pacotes durante os ensaios.
• APIs de código aberto, facilitando o acesso de aplicações externas aos recursos da plata-
forma;
• Dashboard com interface intuitiva para acesso aos dados em tempo real.
A opção por esta plataforma se deu por atender perfeitamente ao propósito do projeto
(piloto), pois, além de ser gratuita e de código aberto, a ferramenta utiliza tecnologias no estado
da arte no campo de serviços IoT, com constantes atualizações pelos mantenedores, o que
faz parte da “estratégia do CPqD de dar suporte à evolução e ao aperfeiçoamento constante
da plataforma Dojot, que tem como foco o estímulo à inovação aberta e à construção de um
ecossistema voltado para a oferta de soluções IoT adequadas à realidade brasileira” (BIOCAM,
2018).
A ferramenta também fornece baixa complexidade de implantação e configuração, uma
vez que utiliza o conceito de microsserviços, facilitando a customização e escalabilidade da
aplicação sob demanda, bem como uma fácil integração com outros sistemas baseados em
serviços. Um dos diferenciais da plataforma, de acordo com (CPQD, 2017), é que a ferramenta
possibilita a criação do Produto Mínimo Viável (do inglês Minimum Viable Product - MVP),
que permite ao desenvolvedor checar e validar conceitos antes do início da implementação do
produto final.
O Dojot fornece duas interfaces para visualização de dados, sendo a primeira (referente
ao serviço “gui”) onde configura-se os dispositivos IoT e seus atributos (lado direito da imagem),
permitindo a visualização de forma rápida dos dados recebidos pela plataforma, clicando-se
sobre o nome do atributo, no qual abre-se um gráfico referente as últimas 10 registros recebidos,
como pode ser visualizado na Figura 19.
tivo (ID) 41719c (lado esquerdo da imagem). Os atributos da aplicação SMMIA coletados pelo
Dojot são expressos em detalhes na Tabela 8 a seguir.
Vale salientar que o nome dos atributos foram abreviados em no máximo 4 caracteres,
pois isso impacta no tamanho do pacote LoRa® e do JSON armazenado nos bancos de dados
(MongoDB e InfluxDB), como por exemplo, o JSON escrito no formato {"vt": 10.0} apresenta
uma redução de 10 bytes se comparada ao JSON escrito no formato {"volume_total": 10.0}.
Tratando-se de um volume de dados intenso, a depender da aplicação, pode fazer uma diferença
significativa no tempo de propagação no ar do pacote LoRa®, como também no volume de dados
armazenados.
Já a segunda interface de visualização (referente ao serviço “gui_v2” do Dojot) de dados
disponível no Dojot, oferece mais opções para visualização dos dados, com a possibilidade de
optar sobre o tipo de gráfico (dispersão, área, tabela, geolocalização e barra), quantidade de
registros a serem plotados (inclusive podendo selecionar períodos específicos) e quais atributos
de um dispositivo devem ser exibidos, como ilustrado na Figura 20.
Capítulo 4. Resultados 74
1. Antes da coleta de dados, ou seja, a partir da instalação e antes de iniciar o registro das
métricas do sistema e do hidrômetro inteligente;
2. Após a coleta de dados, ou seja, após o registro das métricas do sistema (RAM, CPU, Rede
e Disco) e do hidrômetro inteligente (pressão estática e dinâmica do cavalete de entrada de
água do campus, temperatura e umidade do ambiente e vazão total e instantânea).
O middleware Dojot foi instalado em uma máquina virtual (VM) Debian (GNU/Linux),
versão 10.9 (64 bits), gerenciada pelo hypervisor vSphere ESXi, versão 6.7, do fabricante
VMware, sobre um host hospedeiro Lenovo ThinkSystem SR630, com as seguintes configura-
ções:
Ainda na Figura 23, percebe-se que o espaço livre após a instalação do Dojot e serviços
adicionais foi de 7,3 GB, espaço este utilizado para armazenar os dados de métricas do sistema e
os dados do hidrômetro inteligente. Vale salientar que este espaço é compartilhado com todo
o sistema e que a dinâmica de consumo do disco vai depender também da política de retenção
de dados utilizada no Dojot, uma vez que por padrão a retenção de dados se dá por 7 dias no
MongoDB.
Destaca-se que foi adicionado o serviço MongoDB Express para facilitar a gerência dos
dados, uma vez que o Dojot ainda não apresenta uma interface para tal, ou seja, não é possível
apagar dados ou alterar a política de retenção de dados do Dojot após a instalação. A Figura 24
apresenta um exemplo da tela de gerência do MongoDB Express, referente ao device ID 76107C,
tenant 4 admin, criado no Dojot.
4 Tenant, em inglês inquilino, é uma separação lógica entre recursos que podem estar associados a vários usuários.
Fonte: Dojot.
Capítulo 4. Resultados 78
Ainda neste contexto, o serviço IndluxDB foi ativado (por padrão, encontra-se comentado
no compose file), como uma forma de redundância, já que os dados dos dispositivos IoT são ar-
mazenados tanto no MongoDB como no InfluxDB, além de apresentar uma interface de gerência
centralizada de fácil integração com outros serviços (como por exemplo o Telegraf 5 ), no qual
permite visualizar tanto as métricas do sistema, como dos microsserviços (containers Docker) e
os dados dos dispositivos IoT coletados pelo Dojot, através de dashboards customizadas.
As políticas de retenção de dados aplicadas no InfluxDB podem ser visualizadas na
Figura 25. Observa-se que foram adicionados dois buckets6 :
1. devices: recipiente responsável por armazenar os dados dos dispositivos criados no Dojot.
O tempo de retenção definido foi “ilimitado”.
Como reportado anteriormente nesta seção, o InfluxDB possui uma interface de gerência
que possibilita a integração com a ferramenta de coleta de dados Telegraf, permitindo registrar
métricas da VM e dos serviços executando no Docker através de dashboards customizadas com
mais opções de gráficos, facilitando a observação do comportamento (consumo de recursos)
de contêineres, da VM e do Dojot em uma única tela (serviço), embora seja possível analisar
algumas métricas também por outras ferramentas, como o Portainer (fora do escopo deste
trabalho).
Nesse sentido, apresenta-se na Figura 27 o dashboard “Docker” adicionado ao InfluxDB,
que aborda uma série de informações relevantes tanto da VM quanto dos serviços Docker, como
o consumo de disco, CPU, rede, memória RAM, tempo em execução da VM, carga de trabalho,
entre outros, em que cada serviço é representado por uma cor nos gráficos exibidos, o que
dificulta a visualização em uma imagem estática como a apresentada, pois, são 39 serviços em
execução.
Capítulo 4. Resultados 81
Constata-se que houve um pequeno acréscimo no consumo de memória RAM (de 65%
para 68%) e de disco (de 62% para 67%), em que o volume de dados gerado pelo hidrômetro
inteligente nesse período (incluindo alguns testes anteriores), foi de aproximadamente 106 MB,
como 1063332 objetos (documentos) gravados no MongoDB, como ilustrado na Figura 29.
Um retrato em tempo real das métricas do sistema também pode ser observado através
do comando nativo da ferramenta Docker, o “docker stats”, que exibe todas as métricas (já
apresentas graficamente no InfluxDB) de forma numérica, como os dados expressos na Ta-
Capítulo 4. Resultados 83
bela 9. É importante destacar que os valores entre parênteses foram adicionados para facilitar a
identificação dos serviços que mais consomem recursos, sendo “(01)” o maior consumidor de
recursos.
Ainda sobre os dados da Tabela 9, chama a atenção o grande volume de dados processados
pelo serviço Kafka, com relação às métricas de rede (NET IN e NET OUT), além de ser
responsável por consumir os maiores recursos de CPU e memória RAM em praticamente todo
tempo operacional.
Apesar do curto período de análise do middleware Dojot, verificou-se algumas limitações
na ferramenta, como por exemplo, a ausência de funcionalidade para configuração do tempo de
retenção de dados no MongoDB após a instalação, ausência funcionalidade para alteração de
senha de novos usuário, como também observou-se engasgos na interface de visualização de
Capítulo 4. Resultados 84
dados v2 (serviço “gui-v2”) e na ferramenta InfluxDB ao tentar plotar gráficos em tempo real
com mais de 1000 registros.
Ante o exposto, pode-se responder à questão de pesquisa “QP03 - O middleware Dojot
pode ser utilizado com uma ferramenta de produção no atual estágio de desenvolvimento
da ferramenta?” Sim, a ferramenta demonstra ser robusta, embora tenha apresentado algumas
limitações que podem ser corrigidas em atualizações, dando indícios de que pode vir a ser
utilizada como um middleware de produção em um futuro próximo.
LoRa® é uma tecnologia de comunicação sem fio que vem ganhando bastante destaque
no cenário de IoT. Utilizando técnicas de modulação de espalhamento espectral por pulsos curtos
(chirps), a tecnologia apresenta um conjunto de vantagens (baixa potência, longo alcance, alta
imunidade a ruido etc) e se torna ideal para aplicações de IoT em um campus inteligente. Nesse
sentido, a presente seção discorre sobre os resultados da comunicação entre o protótipo e o
LoRa® gateway Dragino LG02 instalado na Coordenação de Tecnologia da Informação (CTI)
do campus.
O cenário da comunicação é ilustrado na Figura 30, em que apresenta-se uma imagem do
Google Maps com a localização e a distância estimada entre os dispositivos, uma foto da casa de
máquinas onde o hidrômetro inteligente está instalado e uma foto da vista frontal do hidrômetro
inteligente para a sala da coordenação. A distância entre hidrômetro inteligente (H na figura) e o
gateway (G na figura) é de aproximadamente 85 metros.
MQTT do gateway, são apresentados na Figura 31. Utilizou-se a frequência de 917Mhz 7 uma
vez que foi constatado que a frequência padrão de 915 mHz já estava sendo utilizada por outros
dispositivos, mitigando assim a possibilidade de colisão de pacotes. Vale ressaltar que a potência
de transmissão (TX) tanto do WiFI LoRa® 32 (hidrômetro inteligente) quanto do gateway não
foram alterados, utilizando assim a potência padrão de 14 dBm.
Figura 31 – Setup de configurações do LoRa® gateway Dragino LG02. Fonte: Autoria Própria.
Nesse sentido, configurou-se o canal local (Local Channel) do LG02 como “1” e o canal
remoto (Remote Channel) como “2”, de acordo com o ilustrado na Figura 33 (A). A Figura 33
(B) exemplifica como se dá a estrutura de código para envio de pacotes LoRa® para o LG02.
Figura 33 – Configurações de canais no LG02 (A) e exemplo de código para envio de pacote
LoRa® (B). Fonte: Autoria Própria.
A relação sinal/ruido (SNR) não pôde ser observada com o equipamento Dragino LG02
utilizando apenas a camada física LoRa®, uma vez que esse parâmetro só é acessível quando
se utiliza o protocolo LoRaWAN®. Quanto à taxa de perda de pacotes, durante o período de
análise, do pacote 1 ao 30729 (último pacote durante a extração dos dados), foram perdidos 110
pacotes apenas, o que representa um taxa de perda de pacote de 0,35 %, ou seja, a comunicação
obteve um índice de desempenho de 99,65 %.
Mediante os dados apresentados, pode-se responder a questão de pesquisa: “ QP04 - A
tecnologia LoRa® será capaz de apresentar um desempenho de comunicação com baixa
taxa de perdas de pacotes para o cenário da aplicação?” Sim, a questão foi elucidada, logo,
entende-se que o uso da tecnologia LoRa® mostra-se madura o suficiente para ser utilizada em
aplicações de um campus inteligente, podendo facilmente ser implementada e otimizada para
diversos cenários.
9 Disponível em: LG02/OLG02 LoRa Gateway User Manual. Acesso em: 25 de jan. de 2023.
Capítulo 4. Resultados 88
Não menos importante, a Tabela 11 carrega os dados com a série histórica de consumo
de água do campus extraídos da plataforma da concessionária de água CAGEPA do ano de 2022.
Esse parâmetro serve como um parâmetro auxiliar para verificar se o medidor de vazão está
operando dentro dos padrões de consumo previstos historicamente. De acordo com os dados
da CAGEPA informados na Tabela 11, o consumo médio faturado em Janeiro de 2022 (mês
de férias, com pouca demanda) foi de 233 m3 , com um consumo diário de aproximadamente
7,76 m3 , sendo a média histórica para o mês de 154 m3 .
Ainda sobre os dados da CAGEPA, observa-se na Tabela 11 que após a troca do hidrô-
metro realizada no mês de Agosto pelo modelo ultrassônico da Viewshine/SAGA, houve um
aumento do consumo médio registrado, ou seja, o hidrômetro anterior (SENSUS IM-T20) estava
Capítulo 4. Resultados 89
Após esse período de coleta de dados da vazão (l/min), obteve-se o histograma ilustrado
no gráfico da Figura 36.
Figura 36 – Caracterização do perfil de consumo do campus com protótipo inicial. Fonte: Autoria
própria.
Observa-se na Figura 36 que os perfis de 50-150 l/h (0,83-2,5 l/min) e 150-350 l/h
(2,5-5,83 l/min) representaram a maior frequência de vazão de operação do sistema. É importante
ressaltar que a terceira maior frequência de operação registrada (1500-3000 l/h) está fora do
Capítulo 4. Resultados 91
escopo da norma (1150-1500 l/h), embora a faixa de vazão represente o maior consumo de água
do campus, com um volume totalizado de aproximadamente 15,76 m3 .
Ainda neste ensaio, foi possível verificar que a menor vazão instantânea registrada pelo
sensor foi de 0,26 l/min e a maior vazão registrada foi de 45 l/min, o que demonstra que o sensor
FS400A está em conformidade com as faixas de vazão apresentadas pelo sistema, uma vez que a
vazão máxima suportada pelo sensor é de 60 l/min.
No segundo ensaio – seguindo os 15 segundos de intervalo para envio de dados de vazão
e pressão com a versão final do protótipo – os resultados obtidos geraram o histograma exibido
na Figura 37.
Figura 37 – Caracterização do perfil de consumo do campus com protótipo final. Fonte: Autoria
própria.
Observa-se que durante esse período constatou-se uma diferença média na contabilização
do volume total escoado de aproximadamente 7,00 % a menos na solução SMMIA, o que pode
ser explicado por algum dos fatores reportados a seguir:
1. o sensor não foi calibrado para essa faixa de vazão (abordado na seção seguinte);
2. o hidrômetro SAGA apresenta uma maior sensibilidade e precisão, já que utiliza a tec-
nologia de sensor ultrassônico com inicio de funcionamento em 0,03 l/min (2 l/h) contra
1 l/min (60 l/h) do sensor FS400A;
3. o fluxo de água entrante no sensor de vazão não possui um fluxo laminar, gerando uma
leitura equivocada do sensor, e/ou;
Capítulo 4. Resultados 93
Embora o histograma apresente uma frequência muito alta de pressões entre 0,5 bar e
2 bar, na prática observou-se que trata-se de pressões “residuais” na tubulação após o fechamento
da válvula de passagem de água manual do cavalete de entrada de água, como pode-se perceber
no gráfico exibido na Figura 40, em que a vazão instantânea encontra-se em zero, e a pressão na
tubulação variando entre 1,4 bar e 1,5 bar aproximadamente, logo foram descartadas do cálculo
da pressão média.
Cabe destacar que a pressão observada durante o ensaio está dentro dos limites estabele-
cidos pela NBR 12218, que estabelece que as redes de abastecimento de água tenham pressão
mínima de 10 mca (0,98 bar) e máxima de 50 mca (4,90 bar). Com isso, responde-se à questão
de pesquisa “QP02 - A pressão da água na entrada do sistema de distribuição de água do
campus está em conformidade com as normas vigentes?” Sim.
Capítulo 4. Resultados 95
A calibração de sensores de vazão pode ser realizada por meio de comparações volumétri-
cas ou mássicas, através do método estático ou dinâmico. Neste sentido, o presente tópico aborda
em detalhes a metodologia adotada para calibração do sensor de vazão FS400A G1 utilizado
neste projeto. O procedimento utilizado baseou-se em um dos três modelos (1C) de bancada de
ensaio de calibração por pesagem com método estático, descrito na ABNT NBR ISO 4185:2009.
O princípio gravimétrico por pesagem estática consiste em pesar o volume do líquido
represado em um recipiente (de peso conhecido) em um tanque de pesagem, uma vez que se
conhece o tempo, a densidade específica do líquido e a temperatura de operação. Nesse contexto,
a Figura 41 ilustra o diagrama da bancada de calibração de sensores de vazão para o método
estático descrito na norma, no qual utiliza o método por bombeamento direto.
Figura 41 – Diagrama de uma instalação para calibração por pesagem (método estático (1C),
alimentação por bombeamento direto). Fonte: ABNT NBR ISO 4185:2009.
Nesse ensaio (1C), a bomba direciona o líquido do reservatório sob pressão constante
para o estabilizador de vazão, que mantém o fluxo do líquido constante para o sensor sob
calibração, ajustando a vazão de saída através da válvula reguladora de vazão, que direciona o
fluxo para o diversor, período no qual é registrada a massa inicial (m0 ). Com o fluxo do líquido
estabilizado, o diversor é acionado e direciona a vazão do líquido para o tanque de pesagem,
acionando o cronômetro e contabilizado o volume escoado por um tempo t. A pesagem (a massa
final aparente m1 ) se dá quando o líquido se estabiliza no tanque, momento no qual o valor deve
ser registrado e o líquido drenado novamente para o reservatório.
A vazão mássica média (qm ) desse ensaio é dada pela equação 16.
m m1 m0
qm = = 1, 00106 , (16)
t t
O valor de 1, 00106 nas equações acima se deve à aplicação de um fator de correção (e),
em virtude da diferença entre o empuxo exercido pela atmosfera em uma determinada massa de
líquido e em uma mesma massa padrão construída em metal, utilizada na calibração da balança,
quando o líquido sob ensaio é a água, levando-se em consideração a massa específica da água (r)
de 1000 kg/m3 , a massa específica do ar (ra ) de 1,21 kg/m3 e a massa específica do material dos
pesos-padrão (r p ) de 8000 kg/m3 (ABNT NBR ISO 4185:2009). Vale ressaltar que uma exatidão
de 0,5°C é suficiente para assegurar um erro menor que 10 4 na avaliação da massa específica,
uma vez que as propriedades físicas da água são bem estáveis nas condições atmosféricas (ABNT
NBR ISO 4185:2009).
Para calibração do sensor de vazão FS400A utilizou-se a biblioteca FlowMeter 10 versão
1.2.0. É importante ressaltar que o algoritmo dessa biblioteca não leva em consideração a
viscosidade, a massa específica (considerado a massa específica da água como 1~ g/cm3 ) e a
temperatura do líquido sob medição, ou seja, para todos os efeitos é considerado 1 kg/min =
1 l/min.
As propriedades ou características dos sensores de vazão utilizadas pelo FlowMeter são
compostos por uma estrutura de dados contendo os seguintes atributos:
1. Fator K (KF): Fatores K são valores de calibração (pulsos por unidade de volume) usados
para converter frequências de saída do sensor de vazão em taxas de vazão, ou seja, converte
a frequência de rotação da aleta em litros por minuto (l/min), obedecendo a seguinte
relação:
f
Q= , (18)
KF
em que Q é a vazão contabilizada, f é a frequência de rotação da aleta e KF é o fator K.
2. Fator M (MF): é o conjunto de fatores de correção do fator K, uma vez que na prática os
sensores não são lineares. Por padrão, a FlowMeter trabalha com 10 índices, dividindo a
capacidade do sensor (cap) em percentis, com a seguinte relação matemática para cada
ponto de calibração:
f
Q corrigido = ( ) ⇥ MF. (19)
KF
3. Capacidade do sensor (cap): define o valor máximo de vazão que o sensor suporta. A
estrutura de dados antes da calibração para a taxa de erro padrão ( de ±3% a ±5% 11 ) do
sensor FS400A é apresentada a seguir:
no mercado local e de custo relativamente viável, viabilizando a execução dos ensaios para
calibração do sensor de vazão, índice da incerteza da medição e do índice de desempenho do
medidor, apresentados em tópicos subsequentes.
A Figura 42 apresenta um esboço do diagrama esquemático (eletroeletrônico e hidráulico)
da bancada adaptada utilizada para realização dos ensaios. Para uma melhor visualização do
cenário, a Figura 43 ilustra a bancada em cenário real.
A bancada é composta por um reservatório de 100 l, uma válvula tipo borboleta de
abertura manual (1) de corpo em policloreto de vinila (PVC), um pressurizador de água (2), uma
válvula reguladora de pressão (3) – que acomoda o sensor de pressão eletrônico e o manômetro
analógico –, um sensor de vazão (4), uma válvula tipo borboleta de abertura manual (5) de corpo
em metal, uma válvula do tipo solenoide (6) normalmente aberta (NA) operando em 220V, e
uma válvula de retenção de água. Toda a tubulação utilizada é de PVC 32 mm/25 DN, análoga à
tubulação utilizada no cavalete de entrada de água do campus.
Figura 43 – Bancada adaptada ao método estático 1C da ABNT NBR ISO 4185:2009. Fonte:
Autoria Própria.
Com todo o sistema estabilizado e operante, regula-se a válvula tipo borboleta de abertura
manual (Item 5 na Figura 43) e aciona-se o botão capacitivo do microcontrolador, para abertura
da válvula solenoide e ajuste da vazão para o valor tipico desejado, de acordo com a norma. Uma
vez ajustada, aciona-se novamente o botão e inicia-se o processo de medição por um minuto, no
qual a água é escoada para um reservatório graduado e os dados dos sensores enviados para o
Dojot a cada dois segundos. Após esse período, a válvula solenoide é fechada, o cronômetro
zerado e a leitura dos sensores suspensa. A posteriori, aguarda-se o escoamento cessar, para então
levar o reservatório graduado para ser pesado, colocando-o no centro da balança e aguardando o
Capítulo 4. Resultados 102
sistema estabilizar. Uma vez que o display da balança esteja estabilizado, o valor é registrado
manualmente em uma tabela e a água do reservatório graduado é devolvida para o reservatório
principal.
É importante ressaltar as limitações da bancada de ensaio, uma vez que não foi possível
realizar a contento os ensaios para as faixas de vazão de 2,5 l/h a 100 l/h, em virtude do mau
funcionamento da válvula solenoide em baixas vazões, pois ela não consegue cessar o fluxo de
água de forma instantânea, como também não foi possível ajustar exatamente o fluxo de água
(vazão) para as vazões sob ensaio devido ao tipo de válvula utilizada para este fim. No entanto, os
resultados obtidos foram bem próximos dos valores estabelecidos em norma, o que não invalida
os resultados da avaliação.
Outra limitação do ensaio foi a impossibilidade de avaliar o erro de indicação, como
também efetuar a calibração do sensor para as faixas de vazões típicas (Q3) constatadas no
ensaio de caracterização do perfil de consumo do campus – reportado na Seção 4.4 – em virtude
da incapacidade do pressurizador utilizado gerar vazões superiores a 31 l/min, como também
não foi possível verificar o Q112 e o Q413 pelos motivos já mencionados.
Vale salientar ainda que para o processo de verificação do erro de indicação da balança,
foram utilizados dois pesos padrão classe F2 de 100 g e 200 g (ver Figura 50), em que foi
constatado um erro sistemático de -5 g para essas faixas de medições. Embora não seja possível
afirmar que o erro se estenda por toda a faixa de medição da balança (40 kg), adotou-se um fator
de correção de +5 g para todas as medições, visando compensar o erro sistemático observado.
Assim, no processo de pesagem o registro final da massa da água foi descontado o peso
do reservatório graduado (⇡695 g + 5 g do erro sistemático da balança) e o peso do volume
de água (massa) represado entre o sensor de vazão e a válvula de retenção de água (⇡700 g),
ou seja, o peso de tara (⇡1400 g). Para facilitar o procedimento visual da pesagem, o volume
12 menor faixa de vazão que o sensor opera dentro dos limites de erro de indicação estabelecido em norma.
13 maior faixa de vazão que o sensor opera dentro dos limites de erro de indicação estabelecido em norma.
Capítulo 4. Resultados 103
Observa-se na Figura 51 que nas faixas de vazão abaixo de 11,667 l/min, o sensor FS400A
apresenta um comportamento altamente não linear, passando a obter uma maior regularidade
em vazões superiores, caraterística já reportada na documentação da biblioteca de calibração
FlowMeter 14 .
Embora o sensor apresente essa característica de não linearidade em baixas vazões, todas
as medições se mantiveram dentro da margem de erro permitida em norma, ou seja, em nenhuma
das medições o erro de indicação foi superior a 2 %, sendo um ótimo resultado para um sensor de
baixo custo. Outras variáveis estáticas como média da amostra e o desvio padrão são aparentadas
na seção seguinte deste documento.
Vale destacar que durante o processo de calibração do sensor de fluxo FS400A diversos
parâmetros complementares foram coletados de acordo como a norma, como a temperatura
ambiente (th), temperatura da água (ta), umidade do ambiente (um) volume total escoado (vt), o
volume instantâneo em litros por minuto (vi), o cálculo da média e do desvio-padrão de cada
parâmetro, como o exemplo da Tabela 13 com os dados obtidos durante a calibração para faixa
de vazão de 4,167 l/min. O Apêndice B traz as informações da média e do desvio-padrão das 15
medições para cada faixa de vazão ensaiada .
14 Para mais detalhes consulte: FlowMeter Library. Acesso em: 25 de jan. de 2023.
Capítulo 4. Resultados 104
Tabela 13 – Exemplo dos demais parâmetros coletados durante a calibração do sensor de vazão.
Timestamp bar ta th tx um vi vt
28/10/2022 13:13 1,06 28,31 31,38 1 51,39 0,041 0,077
28/10/2022 13:13 1,04 28,31 31,35 2 51,52 4,132 0,138
28/10/2022 13:13 1,05 28,31 31,37 3 51,59 4,134 0,276
28/10/2022 13:13 1,04 28,31 31,38 4 51,59 4,237 0,417
28/10/2022 13:13 1,05 28,31 31,38 5 51,59 4,237 0,559
28/10/2022 13:13 1,04 28,31 31,4 6 51,69 4,132 0,697
28/10/2022 13:13 1,04 28,25 31,42 7 51,69 4,233 0,838
28/10/2022 13:13 1,05 28,25 31,46 8 51,69 4,229 0,98
28/10/2022 13:13 1,05 28,31 31,49 9 51,69 4,235 1.121
28/10/2022 13:13 1,03 28,31 31,5 10 51,69 4,229 1.262
28/10/2022 13:13 1,05 28,31 31,49 12 51,59 4,229 1.545
28/10/2022 13:13 1,06 28,25 31,5 13 51,59 4,139 1.683
28/10/2022 13:13 1,05 28,31 31,5 14 51,59 4,242 1.825
28/10/2022 13:13 1,05 28,25 31,52 15 51,59 4,242 1.966
28/10/2022 13:13 1,05 28,25 31,54 16 51,59 4,233 2.107
28/10/2022 13:13 1,06 28,25 31,53 17 51,49 4,233 2.249
28/10/2022 13:14 1,05 28,31 31,54 18 51,49 4,132 2.387
28/10/2022 13:14 1,05 28,31 31,54 19 51,49 4,231 2.528
28/10/2022 13:14 1,07 28,31 31,56 20 51,49 4,242 2.669
28/10/2022 13:14 1,05 28,25 31,49 21 51,49 4,229 2.811
28/10/2022 13:14 1,06 28,25 31,49 22 51,49 4,139 2.949
28/10/2022 13:14 1,06 28,31 31,49 23 51,59 4,235 3,09
28/10/2022 13:14 1,06 28,31 31,47 24 51,59 4,242 3.232
28/10/2022 13:14 1,05 28,38 31,47 25 51,69 4,134 3,37
28/10/2022 13:14 1,06 28,31 31,47 26 51,69 4,237 3.511
28/10/2022 13:14 1,06 28,31 31,49 27 51,69 4,229 3.652
28/10/2022 13:14 1,06 28,25 31,5 28 51,69 4,136 3,79
28/10/2022 13:14 1,04 28,31 31,54 29 51,69 4,235 3.932
28/10/2022 13:14 1,05 28,31 31,59 30 51,59 4,235 4.073
Média 1,051 28,294 31,478 - 51,594 4,063 -
Desvio Padrão 0,009 0,033 0,062 - 0,085 0,775 -
Fonte: Autoria própria.
Observa-se que o Índice 2 atua sobre duas faixas de vazão sob ensaio (7,500 l/min e
11,667 l/min), logo, optou-se por tentar calibrar com menor erro de indicação a faixa de vazão
de 7,5 l/min, uma vez que o sensor tem maior dificuldade em aferir faixas menores de vazão.
Com os resultados apresentados até aqui, pode-se responder a questão de pesquisa “
QP05 - É possível calibrar um sensor de vazão com resultados satisfatórios, dentro da
margem de erro de indicação estabelecido em norma, com uma bancada de calibração
não certificada?” Embora não tenha sido possível realizar o ensaio de calibração para todas as
faixas de vazão com a bancada de calibração desenvolvida, infere-se que é possível a calibração
de um sensor de vazão com uma bancada de calibração não certificada, desde que a bancada de
Capítulo 4. Resultados 105
calibração não certificada consiga prover mecanismos de ajuste de pressão e vazão com um fluxo
de água relativamente estável.
f
Q = Â( ) ⇥ MF, (20)
KF
em que Q é a vazão, expressa em litros por minuto (l/min); f é a frequência de rotação da
aleta (pulsos por unidade de volume), dado em Hz; KF é o fator de conversão, ou seja, se em
1 segundo a aleta do sensor gerar 4,8 pulsos, significa que será contabilizado 1 l/min, com um
volume total contabilizado de 1 l; MF é o fator de correção do fator KF.
O erro de indicação do sensor em litros (l) é dado pela relação:
E v = Vs Vr , (21)
em que E v é o erro de indicação do sensor em litros (l); Vs é o volume contabilizado pelo sensor
em litros (l); Vr é o peso da massa volumétrica real, ou seja, o peso da massa volumétrica menos
o peso de tara PT do sistema, que inclui o peso do reservatório graduado Pr somado ao peso da
massa volumétrica represado na tubulação Pa .
O erro de indicação percentual é calculado como:
Vs Vr
Erro(%) = ⇥ 100. (22)
Vr
As Tabelas 15 a 19 exibem os dados dos resultados obtidos nos ensaios para vazões de
250 l/h a 1350 l/h, nos quais são apresentados o erro de indicação (%) da medição, a média
aritmética (X̄) da amostra, o desvio padrão da amostra (S), a variância (S2 ), a incerteza padrão
Capítulo 4. Resultados 106
Tabela 15 – Resultado ensaio curva de erro para vazão de 250 l/h ou 4,167 l/min.
Medição Vs (l) Balança (kg) Vr (l) Ev (l) Erro (%)
1 4,073 5,470 4,070 0,003 0,074
2 4,046 5,430 4,030 0,016 0,397
3 4,029 5,445 4,045 -0,016 -0,396
4 4,097 5,42 4,02 0,077 1,915
5 4,040 5,420 4,020 0,020 0,498
6 4,093 5,435 4,035 0,058 1,437
7 4,080 5,465 4,065 0,015 0,369
8 4,036 5,475 4,075 -0,039 -0,957
9 4,090 5,420 4,020 0,070 1,741
10 4,050 5,380 3,980 0,070 1,759
11 4,006 5,400 4,000 0,006 0,150
12 3,999 5,415 4,015 -0,016 -0,399
13 4,120 5,455 4,055 0,065 1,603
14 4,046 5,425 4,025 0,021 0,522
15 4,013 5,430 4,030 -0,017 -0,422
X̄ 4,055 5,432 4,032 0,022 0,553
S² 0,001 0,001 0,001 0,001 0,864
S(X̄) 0,036 0,026 0,026 0,037 0,930
uX̄ 0,009 0,007 0,007 0,010 0,240
U X̄ 0,021 0,015 0,015 0,021 0,528
Fonte: Autoria própria.
De forma análoga, a mesma análise pode ser aplicada às demais tabelas de ensaios de
curva de erro de indicação. Observa-se portanto que a faixa de vazão na qual o sensor apresentou
uma maior precisão durante o processo de calibração foi a faixa de 700 l/h ou 11,667 l/min,
com uma dispersão (desvio-padrão) do erro de indicação de 0,258 %, embora tenha apresentado
um erro de indicação médio de ± 1, 297 %. Já a faixa de vazão com maior imprecisão foi a de
450 l/h ou 7,5 l/min, com um desvio-padrão do erro de indicação de 1,125 %, embora tenha
apresentado um baixo erro de indicação médio de ± 0, 090 %.
Capítulo 4. Resultados 107
Tabela 16 – Resultado ensaio curva de erro de indicação para vazão de 450 l/h ou 7,5 l/min.
Medição Vs (l/min) Balança (kg) Vr (l) Ev (l) Erro (%)
1 6,950 8,380 6,980 -0,030 -0,430
2 6,956 8,325 6,925 0,031 0,448
3 7,064 8,330 6,930 0,134 1,934
4 7,060 8,330 6,930 0,130 1,876
5 6,921 8,300 6,900 0,021 0,304
6 6,880 8,305 6,905 -0,025 -0,362
7 7,247 8,625 7,225 0,022 0,304
8 7,025 8,330 6,930 0,095 1,371
9 6,885 8,345 6,945 -0,060 -0,864
10 6,849 8,295 6,895 -0,046 -0,667
11 6,771 8,295 6,895 -0,124 -1,798
12 6,808 8,310 6,910 -0,102 -1,476
13 6,769 8,230 6,830 -0,061 -0,893
14 6,863 8,300 6,900 -0,037 -0,536
15 6,871 8,310 6,910 -0,039 -0,564
X̄ 6,928 8,334 6,934 -0,006 -0,090
S² 0,016 0,008 0,008 0,006 1,266
S(X̄) 0,128 0,087 0,087 0,078 1,125
uX̄ 0,033 0,022 0,022 0,020 0,291
U X̄ 0,073 0,049 0,049 0,044 0,639
Fonte: Autoria própria.
Tabela 17 – Resultado ensaio curva de erro de indicação para vazão de 700 l/h ou 11,667 l/min.
Medição Vs (l/min) Balança (kg) Vr (l) Ev (l) Erro (%)
1 11,281 12,560 11,160 0,121 1,084
2 11,210 12,455 11,055 0,155 1,402
3 11,209 12,440 11,040 0,169 1,531
4 11,253 12,520 11,120 0,133 1,196
5 11,199 12,520 11,120 0,079 0,710
6 11,260 12,510 11,110 0,150 1,350
7 11,278 12,550 11,150 0,128 1,148
8 11,260 12,490 11,090 0,170 1,533
9 11,217 12,480 11,080 0,137 1,236
10 11,142 12,435 11,035 0,107 0,970
11 11,256 12,480 11,080 0,176 1,588
12 11,260 12,470 11,070 0,190 1,716
13 11,274 12,535 11,135 0,139 1,248
14 11,206 12,450 11,050 0,156 1,412
15 11,202 12,455 11,055 0,147 1,330
X̄ 11,234 12,490 11,090 0,144 1,297
S² 0,002 0,002 0,002 0,001 0,067
S(X̄) 0,039 0,040 0,040 0,028 0,258
uX̄ 0,010 0,010 0,010 0,007 0,067
U X̄ 0,022 0,023 0,023 0,016 0,147
Fonte: Autoria própria.
Capítulo 4. Resultados 108
Tabela 18 – Resultado ensaio curva de erro de indicação para vazão de 1000 l/h ou 16,667 l/min.
Medição Vs (l/min) Balança (kg) Vr (l) Ev (l) Erro (%)
1 16,334 17,685 16,285 0,049 0,301
2 16,348 17,610 16,210 0,138 0,851
3 16,258 17,550 16,150 0,108 0,669
4 16,373 17,620 16,220 0,153 0,943
5 16,269 17,640 16,240 0,029 0,179
6 16,230 17,520 16,120 0,110 0,682
7 16,090 17,525 16,125 -0,035 -0,217
8 16,291 17,695 16,295 -0,004 -0,025
9 16,313 17,670 16,270 0,043 0,264
10 16,324 17,655 16,255 0,069 0,424
11 16,212 17,505 16,105 0,107 0,664
12 16,245 17,575 16,175 0,070 0,433
13 16,201 17,520 16,120 0,081 0,502
14 16,262 17,500 16,100 0,162 1,006
15 16,136 17,530 16,130 0,006 0,037
X̄ 16,259 17,587 16,187 0,072 0,448
S² 0,006 0,005 0,005 0,003 0,131
S(X̄) 0,078 0,070 0,070 0,058 0,362
uX̄ 0,020 0,018 0,018 0,015 0,094
U X̄ 0,044 0,040 0,040 0,033 0,206
Fonte: Autoria própria.
Tabela 19 – Resultado ensaio curva de erro de indicação para vazão de 1325 l/h ou 22,083 l/min.
Medição Vs (l/min) Balança (kg) Vr (L) Ev (L) Erro (%)
1 21,148 23,130 21,220 0,072 0,339
2 21,322 23,120 21,210 -0,112 -0,528
3 21,208 23,125 21,215 0,007 0,033
4 21,219 23,095 21,185 -0,034 -0,160
5 21,268 23,090 21,180 -0,088 -0,415
6 21,343 23,130 21,220 -0,123 -0,580
7 21,411 23,155 21,245 -0,166 -0,781
8 21,194 23,060 21,150 -0,044 -0,208
9 21,237 23,080 21,170 -0,067 -0,316
10 21,276 23,115 21,205 -0,071 -0,335
11 21,133 23,020 21,110 -0,023 -0,109
12 21,105 23,025 21,115 0,010 0,047
13 21,272 23,185 21,275 0,003 0,014
14 21,108 23,050 21,140 0,032 0,151
15 21,186 23,030 21,120 -0,066 -0,312
X̄ 21,229 23,094 21,184 -0,045 -0,211
S² 0,008 0,002 0,002 0,004 0,090
S(X̄) 0,089 0,050 0,050 0,064 0,301
uX̄ 0,023 0,013 0,013 0,016 0,078
U X̄ 0,050 0,028 0,028 0,036 0,171
Fonte: Autoria própria.
A Figura 52 traz um quadro resumo com os principais indicadores das medições (média,
desvio padrão, incerteza expandida da medição e erro de indicação), para uma melhor visuali-
zação dos resultados, com destaque em negrito para os "piores" valores obtidos nos ensaios de
calibração do sensor FS400A.
Capítulo 4. Resultados 109
5 CONCLUSÕES
uma margem de erro entre ±3 % e ±5 % (taxa de erro máximo, segundo o fabricante), já que
não foi possível calibrar o sensor para faixa de vazão operacional, demonstrando assim, que a
solução necessita de ajustes.
Ainda sobre o sensor FS400A, para as faixas de vazão ensaiadas, o mesmo apresentou um
índice de desempenho da medição (IDM) de 97,83 % de eficiência, ou seja, apenas -2,17 % (EP)
do volume escoado pelo sensor FS400A não será contabilizado (submedição), demonstrando que
a principio esse tipo de sensor pode ser utilizado se devidamente calibrado e bem acomodado,
embora seja necessário uma avaliação minuciosa do IDM ao longo de 10 anos conforme preconiza
a norma ABNT NBR 15538:2014.
Quanto a pressão no cavalete de entrada de água do campus, constatou-se que as pressões
registradas operam dentro dos limites estabelecidos pela norma brasileira ABNT NBR 12218
(entre 10 mca e 50 mca), atuando a maior parte do tempo na casa dos 4,00 bar (40,78 mca), com
alguns picos de pressão (máximo registrado de 4,73 bar ou 48,23 mca) próximo dos 5,00 bar, o
que demonstra que o manômetro analógico utilizado deve ser substituído por um manômetro
com um fundo de escalar de pelo menos 5,00 bar.
Embora o rigor metodológico das normas não tenham sido seguidos a risca, em virtude
da falta de infraestrutura e recursos, tornando o controle de variáveis dos procedimentos de
ensaio (como temperatura, umidade, vazão e pressão do sistema) impossíveis de serem obtidos
com a precisão estabelecida em norma, além da ausência de equipamentos já calibrados e
certificados para efeito comparativo — apesar de o objetivo não ser a certificação de sensores —
demonstrou-se mediante o exposto, que a adaptação ao modelo de bancada apresentado pode ser
viável para calibração de sensores de vazão.
Considerando-se que o artefato atingiu os resultados esperados após a etapa de avaliação,
podemos destacar como aprendizagem durante o desenvolvimento do protótipo, que a implemen-
tação de uma solução IoT é complexa e envolve diversas áreas de conhecimento, como eletrônica,
programação, redes de computadores, sistemas, etc, e que em cada uma dessas áreas enfreou-se
dificuldades e limitações, como por exemplo, na bancada de calibração do sensor de vazão, que
não foi possível realizar os ensaios em alguns faixas de vazão estabelecidas em norma.
Ante o exposto, constata-se que a telemetria em tempo real (monitoramento) e o controle
remoto do abastecimento de água de um campus são possíveis utilizando tecnologias IoT de
baixo custo, através da tecnologia de comunicação sem fio LoRa®, ou seja, o ecossistema
utilizado neste projeto piloto pode ser replicado com uma solução para aplicações IoT em
um Smart Campus, uma vez que, ainda não existe um padrão de fato na literatura ou solução
comercial.
Capítulo 5. Conclusões 113
REFERÊNCIAS BIBLIOGRÁFICAS
AGRICULTURE, C. A. of Water Management in. Water for Food, Water for Life: A
Comprehensive Assessment of Water Management in Agriculture. London: Earthscan,
and Colombo: International Water Management Institute, 2007. Disponível em:
<https://www.iwmi.cgiar.org/assessment/files_new/synthesis/Summary_SynthesisBook.pdf>.
Acesso em: 15 de abr. de 2021. Citado na página 20.
ANA. Conjuntura dos recursos hídricos no Brasil 2020: informe anual. Brasília:
Agência Nacional de Águas e Saneamento Básico - ANA, 2020. Disponível em:
<http://conjuntura.ana.gov.br/static/media/conjuntura-completo.23309814.pdf>. Acesso em: 11
de mar. de 2021. Citado na página 18.
DRAGINO. LG02 Dual Channels LoRa IoT Gateway. Dragino Technology Co., LTD., 2020.
Disponível em: <https://www.dragino.com/products/lora-lorawan-gateway/item/135-lg02.html>.
Acesso em: 22 de maio. de 2021. Citado 2 vezes nas páginas 7 e 71.
DRESCH, A. Design Science e Design Science Research como Artefatos Metodológicos para
Engenharia de Produção. 184 p. Dissertação (Mestrado) — Universidade do Vale do Rio dos
Sinos – UNISINOS, São Leopoldo, 2013. Citado 2 vezes nas páginas 48 e 49.
FACENS. Guia FACENS para Cidades Inteligentes, Sustentáveis e Seguras. Sorocaba, São
Paulo: FACENS, 2020. Disponível em: <https://blog.facens.br/wp-content/uploads/2020/09/
Cartilha-Cidades-Inteligentes-Smart-Campus.pdf>. Acesso em: 13 de mar. de 2021. Citado na
página 18.
HAOYU. G1"Water Flow Sensor. HAOYU STAR Electronics, 2021. Disponível em:
<https://www.hotmcu.com/g1-water-flow-sensor-p-312.html>. Acesso em: 08 de jun. de 2021.
Citado 3 vezes nas páginas 7, 56 e 57.
HAT, R. O que é Apache Kafka? Red Hat, Inc., 2021. Disponível em: <https:
//www.redhat.com/pt-br/topics/integration/what-is-apache-kafka>. Acesso em: 28 de
maio de 2021. Citado na página 39.
HELTEC. WIFI LoRa 32(V2). Chengdu Heltec Automation Technology Co., Ltd, 2018.
Disponível em: <https://heltec.org/project/wifi-lora-32/>. Acesso em: 28 de maio de 2021.
Citado na página 41.
HELTEC. WIFI LoRa 32(V2) Pinout Diagram. Chengdu Heltec Automation Technology Co.,
Ltd, 2021. Disponível em: <https://resource.heltec.cn/download/WiFi_LoRa_32/WIFI_LoRa_
32_V2.pdf>. Acesso em: 28 de maio de 2021. Citado 2 vezes nas páginas 7 e 41.
Referências Bibliográficas 117
HIVEMQ. MQTT & MQTT 5 Essentials: A comprehensive overview of MQTT facts and features
for beginners and experts alike. Bavaria, Germany: HiveMQ GmbH, 2015. v. 1. Disponível em:
<https://www.hivemq.com/mqtt-5/>. Citado 3 vezes nas páginas 7, 35 e 36.
ITB. Perdas de Água 2020 (SNIS 2018): Desafios para Disponibilidade Hídrica e
Avanço da Eficiência do Saneamento Básico. Instituto Trata Brasil, 2020. Disponível em:
<http://tratabrasil.org.br/images/estudos/Relat%C3%B3rio_Final_-_Estudo_de_Perdas_2020_
-_JUNHO_2020.pdf>. Acesso em: 17 de abr. de 2021. Citado na página 21.
ITB. Redução das perdas de água potável tem potencial de ganhos líquidos de R$ 30 bilhões
até 2033. Instituto Trata Brasil, 2020. Disponível em: <http://www.tratabrasil.org.br/images/
estudos/Release_-_Estudo_Perdas_de_%C3%81gua_JUNHO_2020.pdf>. Acesso em: 17 de abr.
de 2021. Citado na página 21.
KONCAGüL, E.; TRAN, M.; CONNOR, R. Relatório mundial das Nações Unidas
sobre desenvolvimento dos recursos hídricos 2021: o valor da água; fatos e dados.
Paris, France: UNESCO World Water Assessment Programme, 2021. Disponível em:
<https://unesdoc.unesco.org/ark:/48223/pf0000375751_por>. Acesso em: 15 de abr. de 2021.
Citado na página 20.
KONDORO, A. et al. Real time performance analysis of secure iot protocols for microgrid
communication. Future Generation Computer Systems, v. 116, p. 1–12, 2021. ISSN 0167-739X.
Disponível em: <https://www.sciencedirect.com/science/article/pii/S0167739X20305707>.
Citado na página 34.
LALLE, Y. et al. A comparative study of lorawan, sigfox, and nb-iot for smart water grid. In:
2019 Global Information Infrastructure and Networking Symposium (GIIS). [S.l.: s.n.], 2019.
p. 1–6. Citado 2 vezes nas páginas 19 e 31.
Referências Bibliográficas 118
LALLE, Y. et al. Lorawan network capacity analysis for smart water grid. In: 2020 12th
International Symposium on Communication Systems, Networks and Digital Signal Processing
(CSNDSP). [S.l.: s.n.], 2020. p. 1–6. Citado 2 vezes nas páginas 19 e 33.
LIRA, F. A. d. Metrologia na Indústria. 10. ed. Pinheiros, São Paulo: Érica, 2018. Citado na
página 31.
LORA. LoRa. LoRa, 2018. Disponível em: <https://lora.readthedocs.io/en/latest/>. Acesso em:
25 de mar. de 2021. Citado 2 vezes nas páginas 31 e 33.
MANKAD, U.; AROLKAR, H. A. A study of the open source framework osgp / gxf for
implementing smart water metering. In: 2020 Fourth World Conference on Smart Trends in
Systems, Security and Sustainability (WorldS4). [S.l.: s.n.], 2020. p. 357–361. Citado 2 vezes
nas páginas 19 e 23.
MARTYUSHEVA, O. Smart Water Grid: Plan B Technical Report. Fort Collins, Colorado:
Department of Civil and Environmental Engineering. Colorado State University, 2014.
Disponível em: <"https://www.engr.colostate.edu/~pierre/ce_old/Projects/Rising%20Stars%
20Website/Martyusheva,Olga_PlanB_TechnicalReport.pdf">. Acesso em: 18 de mar. de 2021.
Citado na página 19.
MATTOS, C. H. d. Cidades Inteligentes: Motivações e Desafios da Adoção de Medidores
Inteligentes de Água. Rio de Janeiro: O Instituto de Tecnologia e Sociedade do Rio - ITS, 2018.
Disponível em: <https://beta.itsrio.org/wp-content/uploads/2018/03/agatha_mattos-agua.pdf>.
Acesso em: 14 de mar. de 2021. Citado na página 19.
MENDES, A.; ROSáRIO, P. P. N. d. Metrologia e Incerteza de Medição: conceitos e aplicações.
1ª. edição do kindle. ed. Rio de Janeiro: LTC, 2020. Citado 3 vezes nas páginas 27, 28 e 31.
MICROSOFT. Tecnologias e protocolos de IoT. Microsoft, 2021. Disponível em:
<https://azure.microsoft.com/pt-br/overview/internet-of-things-iot/iot-technology-protocols/>.
Acesso em: 27 de maio de 2021. Citado na página 34.
MILEVA, A. et al. Comprehensive analysis of mqtt 5.0 susceptibility to network covert
channels. Computers Security, v. 104, p. 102207, 2021. ISSN 0167-4048. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S0167404821000316>. Citado 2 vezes nas
páginas 35 e 37.
MONGODB. The database for modern applications. MongoDB, Inc., 2021. Disponível em:
<https://www.mongodb.com/>. Acesso em: 28 de maio de 2021. Citado na página 40.
MORAES, C. H. V. d.; ALMEIDA, R. M. A. d.; SERAPHIM, T. d. F. P. Programação de
Sistemas Embarcados: Desenvolvendo Software para Microcontroladores em Linguagem C. 1.
ed. Rio de Janeiro: Elsevier, 2016. Citado na página 41.
MOTTA, A. C. S.; LIMA, C. d. A.; CUNHA, T. C. d. C. Campus universitário e espaço urbano:
integração socioespacial em metrópole e cidades médias no sul do brasil. In: X Seminario
Internacional de Investigación en Urbanismo, Barcelona-Córdoba, Junio 2018. Córdoba,
Barcelona: [s.n.], 2018. ISSN 2604-7756. Disponível em: <http://hdl.handle.net/2117/134353>.
Citado na página 18.
NADIPALLI, L. S. P. S. et al. Water conservation control by using iot smart meter. In: 2021 5th
International Conference on Computing Methodologies and Communication (ICCMC). [S.l.:
s.n.], 2021. p. 448–452. Citado 3 vezes nas páginas 42, 44 e 45.
Referências Bibliográficas 119
OBERASCHER, M. et al. Smart water campus – a testbed for smart water applications. Water
Science and Technology, v. 86, n. 11, p. 2834–2847, 11 2022. ISSN 0273-1223. Disponível em:
<https://doi.org/10.2166/wst.2022.369>. Citado na página 18.
RAY, A.; GOSWAMI, S. Iot and cloud computing based smart water metering system. In: 2020
International Conference on Power Electronics IoT Applications in Renewable Energy and its
Control (PARC). [S.l.: s.n.], 2020. p. 308–313. Citado 3 vezes nas páginas 42, 44 e 45.
RUSSO, F.; RINDONE, C.; PANUCCIO, P. The process of smart city definition at an eu level.
In: . [S.l.: s.n.], 2014. v. 191, p. 979–989. ISBN 9781845648206. Citado na página 18.
SARAVANAN, M.; DAS, A.; IYER, V. Smart water grid management using lpwan iot
technology. In: 2017 Global Internet of Things Summit (GIoTS). [S.l.: s.n.], 2017. p. 1–6.
Citado 2 vezes nas páginas 42 e 45.
SINGH, M.; AHMED, S. Iot based smart water management systems: A systematic
review. Materials Today: Proceedings, 2020. ISSN 2214-7853. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S2214785320364701>. Citado 3 vezes nas
páginas 7, 23 e 24.
VERNEMQ. What is VerneMQ? Octavo Labs AG, 2021. Disponível em: <https:
//vernemq.com/intro/index.html>. Acesso em: 28 de maio de 2021. Citado na página 39.
VERSTAEVEL, N.; BOES, J.; GLEIZES, M.-P. From smart campus to smart cities issues of the
smart revolution. In: 2017 IEEE SmartWorld, Ubiquitous Intelligence Computing, Advanced
Trusted Computed, Scalable Computing Communications, Cloud Big Data Computing, Internet
of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI).
[S.l.: s.n.], 2017. p. 1–6. Citado na página 18.
VIKASH; MISHRA, L.; VARMA, S. Middleware technologies for smart wireless sensor
networks towards internet of things: A comparative review. Wireless Personal Communications,
v. 116, 02 2021. Citado na página 37.
WRI. Ensuring Prosperity in a Water-stressed World. [S.l.]: World Resources Institute - WRI,
2021. "https://www.wri.org/water". Acesso em: 01 de mar. de 2021. Citado na página 18.
YE, Y. et al. A lora-based low-power smart water metering system. In: 2021 IEEE International
Conference on Consumer Electronics and Computer Engineering (ICCECE). [S.l.: s.n.], 2021. p.
301–305. Citado 2 vezes nas páginas 42 e 45.
Referências Bibliográficas 121
YI, S. et al. Smart Water Management: Case Study Report. K-water, IWRA, 2018. Disponível
em: <"https://www.iwra.org/wp-content/uploads/2018/11/SWM-report-final.pdf">. Acesso em:
18 de mar. de 2021. Citado na página 19.
YUGHA, R.; CHITHRA, S. A survey on technologies and security protocols: Reference for
future generation iot. Journal of Network and Computer Applications, v. 169, p. 102763,
2020. ISSN 1084-8045. Disponível em: <https://www.sciencedirect.com/science/article/pii/
S108480452030237X>. Citado na página 35.
Apêndices
123
Legenda:
Média
Variância S²
Desvio-Padrão da Média S()
Incerteza-Padrão da Média u
Incerteza Expandida da Média U
Falha na obteção dos dados -
Vazão ensaiada (l/min) 4,167
Medição BAR (X) BAR (S) TA (X) TA (S) TH (X) TH (S) UM (X) UM (S) VI (X) VI (S)
1 1,009 0,013 24,967 0,030 28,040 0,100 67,288 0,348 7,177 1,305
2 1,003 0,009 25,006 0,033 27,730 0,081 67,563 0,139 6,873 1,292
3 1,002 0,012 25,058 0,025 27,801 0,041 67,467 0,207 6,988 1,323
4 1,008 0,013 25,133 0,043 27,159 0,062 68,746 0,272 6,975 1,316
5 1,000 0,009 25,202 0,030 27,255 0,141 68,632 0,277 6,845 1,287
6 0,999 0,011 25,266 0,035 27,479 0,027 68,098 0,057 6,786 1,274
7 1,007 0,011 25,344 0,034 28,307 0,148 66,480 0,581 7,158 1,347
8 1,014 0,008 25,407 0,039 28,226 0,103 65,906 0,206 6,952 1,312
9 1,017 0,010 25,520 0,029 27,762 0,126 67,184 0,298 6,809 1,281
10 1,006 0,009 25,582 0,033 27,650 0,069 67,656 0,185 6,769 1,275
11 1,005 0,009 25,660 0,049 28,067 0,064 66,953 0,154 6,711 1,287
12 1,003 0,012 25,746 0,035 28,025 0,220 66,645 0,301 6,719 1,261
13 0,990 0,010 25,789 0,038 27,842 0,147 66,892 0,272 6,684 1,249
14 1,006 0,012 25,818 0,037 28,307 0,101 65,920 0,180 6,767 1,298
15 1,014 0,010 25,927 0,052 28,599 0,153 65,379 0,328 6,802 1,266
1,005 0,011 25,428 0,036 27,883 0,105 67,121 0,254 6,868 1,291
S² 0,000 0,000 0,101 0,000 0,161 0,003 0,942 0,015 0,023 0,001
S() 0,007 0,002 0,318 0,007 0,401 0,051 0,970 0,121 0,153 0,026
u 0,002 0,000 0,082 0,002 0,103 0,013 0,251 0,031 0,040 0,007
U 0,004 0,001 0,181 0,004 0,228 0,029 0,551 0,069 0,087 0,015
Legenda:
Média
Variância S²
Desvio-Padrão da Média S()
Incerteza-Padrão da Média u
Incerteza Expandida da Média U
Falha na obteção dos dados -
Vazão ensaiada (l/min) 7,500
Medição BAR (X) BAR (S) TA (X) TA (S) TH (X) TH (S) UM (X) UM (S) VI (X) VI (S)
1 0,811 0,008 26,056 0,027 28,762 0,087 63,980 0,114 11,174 2,091
2 0,799 0,014 26,092 0,030 28,589 0,075 64,161 0,179 11,107 2,092
3 0,797 0,011 26,162 0,035 28,721 0,103 63,900 0,242 11,096 2,087
4 0,808 0,009 26,232 0,036 28,626 0,133 64,379 0,144 11,148 2,098
5 0,808 0,010 26,298 0,037 28,738 0,055 63,095 0,107 11,100 2,088
6 0,805 0,012 26,387 0,038 29,151 0,128 62,854 0,292 11,151 2,097
7 0,810 0,010 26,447 0,032 28,945 0,147 63,482 0,348 11,178 2,103
8 0,806 0,011 26,510 0,032 29,547 0,262 61,589 0,417 11,154 2,099
9 0,805 0,010 26,554 0,029 29,395 0,102 61,903 0,161 11,109 2,089
10 0,795 0,012 26,643 0,034 29,120 0,076 61,811 0,127 11,035 2,079
11 0,804 0,011 26,730 0,029 28,542 0,126 63,619 0,394 11,149 2,097
12 0,802 0,010 26,776 0,038 29,054 0,075 62,917 0,177 11,150 2,098
13 0,798 0,013 26,836 0,034 29,337 0,166 62,257 0,245 11,165 2,101
14 0,794 0,012 26,898 0,038 29,269 0,194 61,211 0,162 11,095 2,091
15 0,795 0,013 26,990 0,032 29,380 0,083 61,766 0,214 11,092 2,087
0,802 0,011 26,507 0,033 29,012 0,121 62,862 0,222 11,127 2,093
S² 0,000 0,000 0,091 0,000 0,111 0,003 1,090 0,010 0,002 0,000
S() 0,006 0,001 0,301 0,004 0,333 0,055 1,044 0,100 0,040 0,007
u 0,001 0,000 0,078 0,001 0,086 0,014 0,270 0,026 0,010 0,002
U 0,003 0,001 0,171 0,002 0,189 0,031 0,593 0,057 0,023 0,004
Legenda:
Média
Variância S²
Desvio-Padrão da Média S()
Incerteza-Padrão da Média u
Incerteza Expandida da Média U
Falha na obteção dos dados -
Vazão ensaiada (l/min) 11,667
Medição BAR (X) BAR (S) TA (X) TA (S) TH (X) TH (S) UM (X) UM (S) VI (X) VI (S)
1 0,585 0,009 27,324 0,038 29,946 0,215 60,369 0,557 16,311 3,076
2 0,580 0,012 27,401 0,039 30,483 0,059 60,174 0,369 16,222 3,061
3 0,579 0,011 27,488 0,033 30,515 0,042 58,917 0,249 16,132 3,037
4 0,583 0,012 27,566 0,029 30,529 0,114 58,828 0,114 16,250 3,061
5 0,583 0,010 27,615 0,030 29,932 0,120 60,144 0,137 16,150 3,044
6 0,575 0,010 27,678 0,036 30,182 0,154 59,636 0,155 16,107 3,034
7 0,578 0,011 27,752 0,025 29,833 0,104 60,533 0,329 15,966 3,009
8 0,571 0,106 26,884 0,036 29,060 0,037 60,596 0,085 16,143 3,096
9 0,584 0,010 27,863 0,040 29,996 0,150 60,500 0,174 16,195 3,053
10 0,584 0,011 27,929 0,039 30,200 0,092 59,318 0,368 16,185 3,105
11 0,577 0,012 28,010 0,028 30,499 0,086 58,870 0,293 16,100 3,033
12 0,581 0,011 28,068 0,031 29,963 0,246 58,867 0,639 16,105 3,089
13 0,575 0,011 28,139 0,036 30,071 0,041 59,549 0,121 16,077 3,025
14 0,577 0,012 28,197 0,036 30,858 0,081 59,283 0,157 16,139 3,039
15 0,572 0,013 28,212 0,029 30,220 0,077 62,735 0,702 16,011 3,018
0,579 0,017 27,742 0,034 30,152 0,108 59,888 0,297 16,139 3,052
S² 0,000 0,001 0,140 0,000 0,176 0,004 1,056 0,039 0,008 0,001
S() 0,004 0,025 0,374 0,005 0,419 0,062 1,028 0,199 0,088 0,029
u 0,001 0,006 0,097 0,001 0,108 0,016 0,265 0,051 0,023 0,007
U 0,003 0,014 0,212 0,003 0,238 0,035 0,584 0,113 0,050 0,016
Legenda:
Média
Variância S²
Desvio-Padrão da Média S()
Incerteza-Padrão da Média u
Incerteza Expandida da Média U
Falha na obteção dos dados -
Vazão ensaiada (l/min) 16,667
Medição BAR (X) BAR (S) TA (X) TA (S) TH (X) TH (S) UM (X) UM (S) VI (X) VI (S)
1 1,101 0,111 - - 32,104 0,138 54,639 0,097 21,117 3,982
2 1,112 0,074 - - 32,213 0,099 53,997 0,180 21,170 3,991
3 1,108 0,089 - - 32,322 0,074 54,403 0,269 21,042 3,969
4 1,103 0,107 - - 31,959 0,223 54,424 0,272 21,039 4,046
5 1,102 0,102 - - 32,362 0,113 54,056 0,226 21,104 3,983
6 1,117 0,091 - - 32,404 0,064 54,380 0,268 21,190 4,000
7 1,133 0,077 - - 32,413 0,099 54,278 0,154 21,264 4,002
8 1,092 0,101 - - 31,807 0,120 55,266 0,144 21,043 3,974
9 1,078 0,027 - - 31,383 0,090 56,624 0,250 21,081 3,977
10 1,092 0,104 - - 31,695 0,138 55,383 0,273 21,121 3,980
11 1,056 0,015 29,389 0,036 32,245 0,070 55,049 0,386 20,976 3,959
12 1,056 0,020 29,565 0,025 32,230 0,066 55,331 0,099 20,945 3,946
13 1,073 0,022 29,698 0,034 32,499 0,139 54,384 0,391 21,124 3,983
14 1,051 0,020 29,796 0,034 32,464 0,064 53,599 0,133 20,947 3,961
15 1,061 0,016 29,988 0,024 32,640 0,065 53,483 0,136 21,016 3,963
1,089 0,065 29,687 0,031 32,183 0,104 54,620 0,219 21,079 3,981
S² 0,001 0,002 0,052 0,000 0,116 0,002 0,647 0,009 0,008 0,001
S() 0,025 0,039 0,227 0,006 0,340 0,044 0,804 0,094 0,091 0,024
u 0,007 0,010 0,114 0,003 0,088 0,011 0,208 0,024 0,023 0,006
U 0,014 0,022 0,326 0,008 0,193 0,025 0,457 0,054 0,051 0,013
Legenda:
Média
Variância S²
Desvio-Padrão da Média S()
Incerteza-Padrão da Média u
Incerteza Expandida da Média U
Falha na obteção dos dados -
Vazão ensaiada (l/min) 22,083